Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 558
ISSN:1984-2295
Revista Brasileira de
Geografia Física
Homepage: www.ufpe.br/rbgfe
Geomorfometria: uma análise de conceitos, métodos e aplicações em geografia física
Julio Manoel França da Silva¹, Chisato Oka-Fiori², Claudinei Taborda da Silveira3
¹ Professor adjunto da Universidade Estadual do Centro-Oeste do Paraná – UNICENTRO, Setor de Ciências Agrárias e Ambientais, Departamento de
Geografia. [email protected] (autor correspondente). 2 Professora sênior da Universidade Federal do Paraná – UFPR, Programa de Pós-graduação em Geografia. [email protected]. 3 Professor adjunto da Universidade Federal do Paraná – UFPR, Setor de Ciências da Terra, Programa
de Pós-graduação em Geografia. [email protected].
Artigo recebido em 15/01/2017 e aceito em 20/04/2017
R E S U M O
A Geomorfometria é uma ciência interdisciplinar atribuída de importantes bases conceituais e metodológicas para estudos
voltados a quantificação da superfície terrestre, podendo oferecer um conjunto de recursos para mapeamento e predição
do meio físico, diagnóstico/prognóstico ambiental e modelagem das formas e processos que possuem relação direta com
a variabilidade topográfica de determinada paisagem. Buscando analisar bases teóricas, metodológicas e epistemológicas
desta área do conhecimento, bem como indicar exemplos de aplicações em Geografia Física, o presente trabalho
vislumbra caracterizar-se como uma contribuição inicial para pesquisas que necessitam entender as formas, processos e
dinâmica do meio físico no contexto de abordagens quantitativas; analisando suas potencialidades e limitações.
Palavras-chave: epistemologia da geomorfometria, quantificação da paisagem, modelo digital de elevação, modelagem
ambiental.
Geomorphometry: an analysis of concepts, methods and applications in physical geography
A B S T R A C T
The Geomorphometry is an interdisciplinary science assigned to of important concepts and methodologies for studies
aimed at quantifying the earth’s surface offering an array of resources for mapping and prediction of the physical medium,
diagnosis/prognosis assessment and modeling of forms and processes we have a direct relationship with the topographic
variability of a given landscape. Seeking to analyze theoretical, methodological and epistemological this science, as well
as indicate examples of applications in Physical Geography, the present study envisions characterized as an initial
contribution for searches that need to understand the forms, processes and dynamics of the physical medium in the context
of quantitative approaches; by analyzing its potential and limitations.
Keywords: epistemology of geomorphometry, landscape quantification, digital elevation model, environmental modeling.
Introdução
A geomorfometria refere-se a uma área de
conhecimento que busca, mediante diversos
atributos e parâmetros, quantificar e parametrizar a
superfície terrestre, bem como dos demais
elementos do meio físico que com ela possuem
relações (Chorley, 1957; Pike, 2000). Seus
subsídios teóricos, técnicos e metodológicos
baseiam-se na articulação das geociências com a
matemática, estatística, engenharia e, mais
recentemente, a ciência da computação,
destacando-se como ciência interdisciplinar
aplicável em diversificados campos do
conhecimento (Tobler, 2000; Pike et al. 2009).
Considerando sua importância nas
Ciências da Terra, o presente trabalho objetiva
realizar uma análise bibliográfica dos principais
conceitos, métodos e aplicações desta área do
conhecimento, destacando sua articulação com
diversificadas subáreas da geografia.
Apresenta-se, inicialmente, um breve
histórico da quantificação da superfície terrestre,
indicando seu desenvolvimento progressivo. Em
seguida são analisados conceitos atuais correlatos,
reiterando seu caráter de ciência interdisciplinar.
Em um terceiro momento são delineadas as
principais fontes atuais de dados de entrada, bem
como algumas das técnicas utilizadas para seu
processamento e derivação em objetos e
parâmetros geomorfométricos. Considerando,
suscintamente, exemplos de aplicações em áreas
correlatas à Geografia Física, evidencia-se o
destaque da geomorfologia como articuladora de
um conjunto de interrelações com diversificados
componentes bióticos e abióticos do meio físico,
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 559
mesmo daqueles condicionados pelas atividades
humanas.
A abordagem bibliográfica delineada
busca disponibilizar um arcabouço teórico,
metodológico e epistemológico inicial desta área
do conhecimento, considerando que sua
popularização pode contribuir para que sejam
verificadas, preliminarmente, as potencialidades e
limitações dos recursos que oferecem, antecedendo
sua eventual aplicação em Geografia Física.
Breve histórico
A quantificação da superfície terrestre
possui bases advindas desde a Antiguidade,
registradas em documentos das grandes
civilizações desde período (ex. Grécia, China,
Império Persa, Império Romano e Egito), cuja
aplicabilidade destinava-se, majoritariamente, ao
reconhecimento territorial, ao aproveitamento dos
recursos naturais e à definição de estratégias
militares. No entanto, pesquisas realizadas a partir
de critérios científicos, somente se viabilizaram a
partir da segunda metade do século XVIII,
constatadas, por exemplo, em Barnabé Brisson
(1777-1828), Carl Gauss (1777-1855) e Alexander
von Humboldt (1769-1859), sendo atribuído a este
último a primeira utilização do termo
Geomorfometria em referência a análise da
superfície terrestre por critérios matemáticos (Pike
et al., 2009).
Estas pesquisas fundamentaram-se, em
grande parte, na técnica de isolinhas desenvolvida
no mesmo período por Hutton (1774), que se
baseou, por sua vez, nas denominadas Curvas de
Contorno (Curvas de Nível) de Bruinz (1584).
Destinadas à interpolação de pontos de inflexão
para representar elevações e formas da superfície
terrestre, esta técnica pode ser considerada uma das
importantes inovações cartográficas da época, em
virtude da conveniência, exatidão e fácil
assimilação de suas propriedades perceptivas, se
inserindo gradualmente nos levantamentos
topográficos entre o final do século XVIII e
meados do século XIX, particularmente no
continente europeu e nos Estados Unidos. Destaca-
se, em caráter evolutivo, a obra “Sobre Curvas de
Nível e Declividade” de Cayley (1859),
responsável por estabelecer importantes bases para
a Geomorfometria contemporânea (Pike, 2000).
De acordo com Novo (2008), na segunda
metade do século XIX os levantamentos
topográficos incorporaram técnicas de registro de
imagens geradas por exposição luminosa – a então
nascente Fotografia – como é o caso daquelas
tomadas de balões pelo Corpo de Engenharia da
França a partir de 1858. Este contexto remete-se à
primeira fase do Sensoriamento Remoto, cuja
evolução metodológica, entretanto, decorreu-se
somente nas quatro primeiras décadas dos anos
1900, impulsionada pelo uso sistemático de
fotografias tomadas de aeronaves durante as duas
guerras mundiais, concomitantemente ao
progressivo aperfeiçoamento dos mecanismos
fotográficos (lentes, filtros, sistemas de
sincronização e filmes sensíveis à radiação
ultravioleta).
Se inicialmente os produtos cartográficos
gerados tinham finalidades estratégico-militares,
gradativamente se inseriram na esfera civil, como é
o caso do primeiro mapeamento sistemático do
território brasileiro, cujo levantamento
fotogramétrico, realizado entre 1942 e 1943 pela
Força Aérea dos Estados Unidos, pautava-se no
reconhecimento estratégico de territórios
inexplorados de países americanos, incluindo o
Brasil, por ocasião das alianças formadas durante a
Segunda Guerra Mundial. Após o fim dos conflitos
armados, as informações foram disponibilizadas ao
então Conselho Nacional de Geografia, que
posteriormente as compilou em cartas topográficas
na escala 1:1.000.000 (Novo, 2008).
Considerando a primeira metade do século
XX, abordagens quantitativas para representação
da superfície terrestre se disseminaram,
culminando na publicação de inúmeros trabalhos,
dominantemente no campo da geologia e da
geografia física. Pesquisas relevantes realizadas
neste período são vislumbradas em Partsch (1911),
que utilizou intervalo de 5x5 km2 para produzir um
dos primeiros mapas quantitativos de variação
topográfica relativa; em Sherman (1932) que
definiu parâmetros para modelar a inclinação do
relevo e delimitar bacias de drenagem; em
Imamura (1937), que aplicou integral hipsométrica
para definição de feições geomorfológicas; em De
Martonne (1941) que definiu intervalos e classes
hipsométricas; e em Horton (1945) na definição de
atributos para análise da rede de drenagem (Pike,
2000).
Nas décadas de 1950 e 1960, duas
tecnologias imprescindíveis à geomorfometria
atual iniciaram seu desenvolvimento progressivo:
a) o Sensoriamento Remoto Orbital – tecnologia
derivada da disputa espacial e armamentista
protagonizada por Estados Unidos e ex-União
Soviética (Guerra Fria); e b) a Computação Digital
– resultante da revolução eletrônica que substituiu
os computadores eletromecânicos do início dos
anos 1940. Cabe destacar que a utilização das
tecnologias mencionadas na esfera civil era restrita,
devido ao sentido estratégico-militar dos sensores
orbitais, assim como a limitação operacional
inerente aos computadores então disponíveis;
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 560
incapazes de processar e analisar efetivamente
objetos e fenômenos geoespaciais (Pike et al.,
2009).
As restrições de acessibilidade e uso dessas
tecnologias não impediram, entretanto, a
continuidade de uso de metodologias analógicas
para representação topográfica, baseando-se em
fotografias aéreas e dados derivados de campo;
interpolados manualmente a curvas de nível.
Sobressaem neste período trabalhos
voltados à: definição de integral de curva
hipsométrica para análise de sistemas fluviais
(Strahler, 1952); segmentação de bacias de
drenagem (Chorley, 1957); utilização de cartões
perfurados para tabulação de dados topográficos
(Wood e Snell, 1957); revisão crítica das
aplicações de dados básicos (hipsometria e
declividade) no estudo de superfícies de erosão
(Clarke, 1966); e estabelecimento de redes de
triangulação irregular para representar dados de
padrões de drenagem, vales fluviais, rupturas de
declive, gradiente altimétrico e orientação do
relevo (Hormann, 1969).
O início dos anos 1970 demarca a transição
da geomorfometria analógica para a
geomorfometria digital, culminando nos primeiros
manuais do instituto Pesquisa Geológica dos
Estados Unidos (United States Geological Survey
– USGS) que, por sua vez, destacam-se pela
significativa contribuição na sistematização das
técnicas de obtenção e extração de atributos
topográficos básicos, tais como hipsometria,
declividade e curvaturas de vertentes. Esta
iniciativa, que se baseava em Modelos Digitais de
Elevação (MDE), anteriormente conceituados por
Miller e Laflamme (1958), já indicava a
aplicabilidade multidisciplinar desta área do
conhecimento, contribuindo, assim, para que
fossem amplamente aceitos e difundidos,
conceitual e metodologicamente, pela comunidade
científica (Pike et al., 2009).
Ao longo da década de 1980, ampliaram-
se propostas metodológicas voltadas à elaboração
de modelos digitais representativos da superfície
terrestre, buscando o aperfeiçoamento dos
procedimentos voltados à extração e análise dos
atributos deles derivados. Esta conjuntura
viabilizou-se pela evolução da computação digital
e disponibilização de imagens digitais geradas por
sensores orbitais (ex. série LANDSAT – Land
Remote Sensing Satellite), que gradativamente
foram sendo incorporadas aos métodos de
quantificação e mapeamento da superfície terrestre
(Zhou et al., 2008).
Em termos geomorfométricos, algoritmos
direcionados à resolução de problemas específicos
igualmente se difundiram, destacando-se: modelos
sombreados para sobreposição tridimensional de
variáveis topográficas (Horn, 1981); levantamento
de solos a partir de atributos topográficos (Dent e
Young, 1981); modelos físicos para previsão de
desastres hidrológicos (Beven et al., 1984);
assinaturas geométricas para quantificação de
deslizamentos de terra (Pike, 1988); medição
automática de dados hidrológicos em áreas de
captação (Martz e Jong, 1988); interpolação de
dados planialtimétricos para elaboração de
modelos digitais hidrologicamente consistentes
(Hutchinson, 1989) e classificação
semiautomatizada de formas de relevo (Dikau,
1989).
Neste período, algoritmos com finalidades
geomorfométricas se incorporaram
progressivamente aos primeiros softwares
específicos, atribuídos de ferramentas e
procedimentos para armazenamento e manipulação
de dados georreferenciados, que possibilitaram a
resolução de problemas relacionados à consulta,
resposta e tomadas de decisão sobre entidades e
dados espaciais (Burrough, 1986) – os
denominados Sistemas de Informações
Geográficas (SIGs) que, assim como o
Sensoriamento Remoto, incorporaram-se às
Geotecnologias – termo abrangente que agrega às
tecnologias e procedimentos voltados à coleta,
processamento, análise e disponibilização de
informações com referência geográfica (Rosa,
2005).
O final da década de 1980 e início da
década de 1990 delimita a disseminação das
geotecnologias, historicamente correlacionada
com o fim da bipolaridade geopolítica mundial.
Este contexto propiciou que mais países se
voltassem à geração, processamento e aplicação de
informações geradas por sensoriamento remoto
(ex. Programa Japan Earth Resources Satellite –
JERS; Programa canadense RADARSAT;
Programa britânico Disaster Monitoring
Constellation – DMC e Programa China-Brazil
Earth Resoucers Satellite – CBERS), colaborando
com o aprimoramento de mecanismos para
aquisição de informações direcionadas às
demandas regionais ou mesmo para aquelas de
interesse internacional (Novo, 2005).
Em relação à geomorfometria, Pike et al.
(2009) consideram que esta conjuntura propiciou o
desenvolvimento de novas bases teórico-
metodológicas, os quais ampliaram-se, sobretudo,
no final dos anos 1990, culminando em modelos
multiescalares, elaborados sobre diversificadas
fontes de dados, através de: a) levantamentos em
campo com uso de aparelhos de Sistema de
Navegação Global por Satélite (Global Navigation
Satellite System – GNSS); b) sensores
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 561
aerotransportados (ex. LiDAR – Light Detection
and Raging); e c) sensores globais de origem
orbital (ex. imagens SRTM – Shuttle Radar
Topography Mission), entre outros. Para os
autores, esse novo patamar somente tornou-se
viável pelo desenvolvimento progressivo dos SIGs,
concomitantemente a disponibilização de
algoritmos e extensões para análise espacial,
muitos dos quais com funções especificamente
geomorfométricas.
Os anos 2000 também se destacam pela
popularização de plataformas e aplicativos digitais
de imagens orbitais e mapas interativos voltados a
finalidades diversificadas, tais como
geomarketing, turismo, transportes,
planejamento/gestão territorial e ensino. Destacam,
neste sentido, os softwares Google Earth, Google
Maps, Marble, WW2D e ArcGIS Earth, detentores
de diversas funções para representação espacial dos
aspectos geográficos da superfície terrestre;
embora limitadas em termos geomorfométricos.
Esta síntese histórica denota um cenário
favorável ao desenvolvimento da geomorfometria.
No entanto, concomitantemente a sua evolução
tecnológica, metodológica e de diversificação de
aplicabilidade, entremeiam-se debates teóricos e
conceituais; analisados na sequência.
Conceitos atuais
A Geomorfometria é entendida como uma
ciência interdisciplinar derivada da articulação
entre as Ciências da Terra, Ciências Exatas e
Ciência da Computação, que de modo contínuo ou
específico, objetiva quantificar as formas e
elevações da superfície terrestre (Pike, 2000;
Rasemann et al., 2004), mediante modernas
abordagens analítico cartográficas (Tobler, 2000),
responsáveis por fornecer um conjunto de recursos
espaciais, parâmetros e objetos (Evans, 1972),
aplicáveis em diversificados campos do
conhecimento (Figura 1).
Figura 1. Principais aplicações da geomorfometria. Fonte: adaptada de Pike (2000).
Quando contextualizada em
geomorfometria, a análise da diversidade de
formas e processos existentes na superfície
terrestre recebe denominações e terminologias
diversificadas, seja em relação à sistematização dos
dados de entrada: Modelagem do Terreno (Moore
et al., 1991), Análise do Terreno (Wilson e Gallant,
2000) e Ciência da Topografia (Mark e Smith,
2004); ou aos dados e objetos extraíveis:
Parâmetros Topográficos (Speight, 1968),
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 562
Atributos Geomorfométricos (Schmidt e Dikau,
1999); Atributos Topográficos (Wilson e Gallant,
2000), Variáveis Morfométricas (Shary et al.,
2002), Informações do Terreno (Martinoni, 2002)
e Atributos do Terreno (Pennock, 2003).
Li et al. (2005) consideram que, apesar do
uso generalizado, o termo Terreno é impreciso
tecnicamente, devido possuir significados e
aplicações distintas, sejam nas Ciências da Terra ou
nas Ciências Humanas, onde pode se referir,
respectivamente, tanto à superfície topográfica e
aspectos físicos quanto aos aspectos sociais,
econômicos e fundiários de um determinado
recorte espacial. No mesmo sentido, Pike et al.
(2009) avaliando os termos Análise do Terreno
(Wilson e Gallant, 2000) e Modelagem Digital do
Terreno (Weibel e Heller, 1991), os consideram
relativamente problemáticos, levando em conta que
ambos podem não se referir exclusivamente à
superfície topográfica, além de não distinguirem
imediatamente as análises qualitativas (descritivas)
e quantitativas de maneira eficiente.
Preocupações com este sentido
possibilitaram, entretanto, que a evolução
metodológica fosse acompanhada nas décadas
seguintes por outras variantes conceituais, embora
muitas vezes divergentes, como apontado por Li et
al. (ibid.) no que se refere à Modelo Digital de
Elevação (MDE) e Modelo Digital do Terreno
(MDT). No mesmo sentido, El-Sheime et al.
(2005) consideram um equívoco tratá-los como
sinônimo, pois MDE representa os valores
altimétricos de todos os elementos de um recorte da
superfície, enquanto MDT refere-se,
exclusivamente, às variações altimétricas do
terreno, sem considerar portanto, valores de
elevação relativos à vegetação, corpos hídricos e
edificações, por exemplo. Outro termo equivalente
é Modelo Digital de Superfície (MDS), que apesar
de ser bastante utilizado não remete imediatamente
ao sentido geomorfométrico (Hengl e Evans,
2009).
Buscando minimizar divergências
terminológicas, Pike et al. (2009, p. 5), reiteram o
uso do termo Geomorfometria para denotar a
disciplina científica e Formas da Superfície
Terrestre para indicar seu principal objeto de
estudo. Apesar de delinearem Modelo Digital da
Superfície Terrestre (MDST) como base para a
representação tridimensional de todos os
componentes físico-geográficos, os autores
avaliam como satisfatória a utilização do termo
Modelo Digital de Elevação, tanto pela sua relativa
popularidade, quanto por considerarem que em
geomorfometria assume diversas especificidades.
Neste sentido, conceituam-no como um “conjunto
de pontos no espaço cartesiano atribuídos de
valores de elevação”, cujo detalhamento, filtragem
de dados e potencial extração de variáveis
relacionam-se diretamente à sua resolução espacial
e/ou espectral.
Com base nas questões referenciadas,
constata-se a necessidade de que os conceitos e
terminologias em geomorfometria evoluam
concomitantemente à diversificação de produtos
gerados, considerando a crescente disponibilidade
de dados com resolução espacial e espectral cada
vez maior nos próximos anos, sejam de origem
orbital (ex. imagens TanDEM-X e AW3DTM),
resultantes de pulsos laser (ex. LiDAR) ou
derivados de Veículos Aéreos Não-Tripulados
(VANTs).
De acordo com a avaliação de Wood
(2009), independente das ênfases a que estão
atrelados ou eventuais alterações e/ou atualizações
conceituais e terminológicas futuras, os modelos
digitais representativos da superfície terrestre
constituem atualmente os principais dados
espaciais de entrada para geração, processamento e
análise de parâmetros e objetos geomorfométricos;
via SIG.
Considerando sua estrutura, modelos
digitais em geomorfometria podem ser Vetoriais –
compostos por células irregulares; ou Matriciais –
compostos por células regulares.
Os modelos vetoriais são estruturados por
redes de triangulação que interpolam pontos de
valores semelhantes, conforme sua proximidade
(Figura 2a).
Já nos modelos de estrutura matricial
(também denominados raster ou grids), os valores
de elevação são armazenados em células
elementares (pixels) idênticas (Figura 2b). (Hengl
e Evans, 2009).
Alguns estudos apontam potencialidades e
limitações destes dois formatos (ex. Moore et al.,
1991; Hengl e Evans, 2009), inclusive indicando
estruturas alternativas, como a referente à modelos
formados a partir de células hexagonais (Figura
2c).
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 563
Figura 2. Estruturas de dados geomorfométricos. Fonte: adaptada de Hengl e Evans (2009).
Entre todos os formatos apresentados,
entende-se que a utilização de dados raster possui
como vantagens o seu formato regular –
responsável por facilitar a modelagem das formas
e elevações topográficas. Ainda, há que se
considerar sua aceitação pela comunidade
acadêmico-científica e seu amplo emprego em
procedimentos técnico-operacionais atuais para
extração de variáveis. Como uma única medida (a
célula ou tamanho do pixel) controla
automaticamente a maioria das propriedades de um
modelo de estrutura raster, se viabiliza a
formulação de ferramentas e algoritmos
relativamente mais simples para processamento
das informações de entrada, definição do grau de
generalização requerido e geração e aplicação de
parâmetros específicos a temas e áreas de interesse
(Reuter e Nelson, 2009).
Nesta conjuntura, provavelmente os dados
raster regulares se manterão como formato padrão
da estrutura de modelos digitais em um futuro
previsível, e suas limitações tendem a ser
compensadas pela própria evolução científica da
geomorfometria, em conjunto aos SIGs (Wood,
2009).
Sobre a resolução das células, Hengl
(2006) avalia que não pode haver diferenças muito
significativas entre as elevações da superfície real
e da superfície interpolada, devendo ser compatível
com as diferentes complexidades topográficas e
variáveis de interesse. Exemplificando, uma
superfície suave pode ser bem representada por
uma resolução mais “grosseira” (células maiores),
enquanto superfícies mais rugosas necessitam de
resolução mais “fina” (células menores). Em
termos cartográficos, Stein et al. (2001) avaliam
que células de resolução fina remetem-se à escalas
maiores, mas menores áreas de estudo, enquanto às
células de resolução grosseira, ao contrário, à
escalas menores, portanto, contendo informações
mais generalizadas.
No caso de se optar por resoluções mais
finas, deve-se verificar o eventual surgimento de
“ruídos indesejáveis” (erros e artefatos),
normalmente referentes à pixels de valores
descontínuos ou aleatórios de um modelo,
geralmente descontextualizados espacialmente dos
parâmetros dele derivados. Se ao contrário, a
escolha se pautar em resoluções mais grosseiras, é
necessário avaliar se informações imprescindíveis
não acabaram sendo indevidamente suprimidas
(Wise, 2000).
Hengl (2006) considera que nenhum
tamanho de célula pode ser considerado universal,
adequando-se exclusivamente aos parâmetros e
objetos de interesse, com base na complexidade da
superfície. Neste sentido, propõe que em modelos
derivados de curvas de nível, o tamanho dos pixels
seja definido a partir da densidade dos pontos de
inflexão, devendo ter pelo menos a metade do seu
espaçamento médio. Necessitando-se de maior
precisão, de acordo com as características da área
de interesse, indica que sejam consideradas os 5%
da sua porção mais rugosa.
No que diz respeito à resolução espacial e
espectral de modelos de origem aérea ou orbital,
Nelson et al. (2009) avaliam que, apesar de se tratar
de uma questão inerente aos respectivos sensores,
diferentes algoritmos de interpolação apresentam-
se potencialmente aplicáveis no refinamento de
dados e readequação escalar, particularmente
quando, em determinado estudo, fontes de dados
diversificados não estão disponíveis.
Com base no exposto, para que os
parâmetros e objetos geomorfométricos atendam
demandas variadas, confirmando sua
interdisciplinaridade, é importante obter
conhecimento considerável dos mecanismos que
originam os modelos de entrada – problemáticas
apresentadas no tópico seguinte.
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 564
Fontes de dados geomorfométricos
Conforme indicado anteriormente, os
modelos digitais de estrutura raster (grids
regulares) são atualmente os principais dados de
entrada em SIG para análises geomorfométricas, os
quais podem, de acordo com Nelson et al.(2009) se
originar a partir de três fontes principais:
• Mapas Analógicos: utilizando-se de
curvas de nível e elementos planimétricos
vetoriais como dados de entrada,
posteriormente convertidos em arquivos
raster;
• Levantamentos Terrestres: realizados de
maneira tradicional ou atrelados à alta
tecnologia, consistindo no levantamento
direto (em campo) de pontos de latitude,
longitude e altitude (valores x, y, z);
• Sensoriamento Remoto: considerando
sensores ativos ou passivos,
aerotransportados ou orbitais, de onde se
derivam: fotografias, imagens de satélite,
imagens de radar e dados de escaneamento
laser.
Os mapas analógicos não são as principais
fontes de dados geomorfométricos utilizadas
atualmente, porém, como existem situações em que
são os únicos recursos disponíveis, continuam
sendo operacionalizados. As técnicas de extração
de informações topográficas incluem:
escaneamento de produtos cartográficos,
georreferenciamento das imagens geradas,
digitalização (manual ou automática) das
informações planialtimétricas e elaboração de
planos de informação estruturados em arquivos
georreferenciados, que agregam tabela de atributos
e vetores digitais compatíveis com softwares de
SIG (Burroug e Mcdonnell, 1998).
Os levantamentos terrestres incluem
utilização de teodolitos (mecânicos ou digitais)
para medição de ângulos horizontais e verticais, de
onde se deriva malha de pontos cotados; ou por
Sistema de Navegação Global por Satélite (Global
Navigation Satellite System – GNSS), onde é
necessário percorrer a área de interesse para
obtenção de coordenadas (x, y e z) em intervalos
regulares, cujas informações são tabuladas e
posteriormente associadas a arquivos vetoriais
digitais. Suas aplicações mais comuns são
direcionadas a levantamentos que necessitam de
informações topográficas detalhadas (ex.
construção de barragens, estradas e pontes)
permitindo alta precisão no levantamento de
pontos, embora demandem maior tempo de
trabalho e maior disponibilidade orçamentária
(Nelson et al., 2009).
O Sensoriamento Remoto, no que diz
respeito à geomorfometria, engloba dados gerados
por sensores aerotransportados (fotogrametria e
laser) e orbitais (sistemas de radar).
A Fotogrametria propicia o recobrimento
de grandes áreas mediante levantamento
sistemático de fotografias de alta resolução –
coloridas, monocromáticas ou infravermelhas. As
informações de elevação dependem, no entanto, de
distintas linhas de voo em uma mesma área para
minimizar o efeito das condições meteorológicas,
permitir a correta sobreposição de imagens e
possibilitar análises estereoscópicas eficientes para
estabelecimento de pontos de elevação e,
posteriormente, curvas de nível, vetorizadas
manual ou digitalmente. Os procedimentos para
levantamentos fotogramétricos incluem técnicas
para correção de potenciais distorções ocorridas na
câmera durante o voo ou para discernir as
elevações do terreno daquelas atribuídas aos
diversificados componentes da superfície, tais
como topo de árvores, edifícios, entre outros
(Smith, 2005).
A detecção de dados da superfície terrestre
por sensores laser, por sua vez, ocorre através do
registro da reflexão de retorno dos sinais
transmitidos pelo próprio sensor, formando alta
densidade de pontos tridimensionais, (nuvem de
pontos) os quais são representativos de diversas
variáveis espaciais da superfície. Geralmente, para
cada segundo são registrados entre 5.000 e 100.000
pontos (x, y, z), com erros médios de 15 cm no
plano vertical e entre 50 a 100 cm no plano
horizontal (Huinsin e Gomes-Pereira, 1998).
Embora possibilite derivação de um conjunto de
modelos digitais da superfície, geralmente são
aplicados em espaços relativamente reduzidos
(Smith, 2005).
Os sensores mais comuns em sistemas de
detecção a laser são os de retorno discreto,
próximos ao infravermelho, capazes de receber
sinais de retorno múltiplo, a partir de uma única
transmissão. Exemplificando, o primeiro objeto
registrado poderia ser referente a um dossel
florestal, que refletiria o primeiro sinal de retorno
do sensor, enquanto o último seria da superfície do
solo, que refletiria o último sinal, embora em
alguns casos, assim como em áreas que possuem
cobertura florestal densa, podem ser incapazes de
penetrar até o nível altimétrico de base. De
qualquer forma podem ser, de maneira geral,
considerados na seguinte estrutura: x, y, z1, z2,
z3,...zn, onde z1 é o primeiro (elevação máxima) e zn
o último sinal de retorno (elevação mais baixa),
cuja seleção de dados de interesse específicos
dependem da operacionalização e filtragem de
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 565
dados mediante algoritmos de diversificada
complexidade (Axelsson, 1999).
Os sistemas de radar abrigam sensores
ativos, podendo ser aerotransportados ou baseados
em satélites. Os modelos digitais deles derivados
são muito utilizados atualmente em
geomorfometria devido à grande cobertura
espacial, disponibilidade de dados e relativa
facilidade de acesso (Nelson et al., 2009).
Enquanto sistemas aerotransportados produzem
dados em transmissão única, sistemas baseados em
satélites o fazem por transmissão repetida, ou seja,
possibilitam que erros geométricos ou omissões de
dados sejam corrigidos mais facilmente (Maune,
2001). Exemplos de fontes de dados
geomorfométricos derivados de sistemas de radar
são sintetizadas no Quadro 1.
Quadro 1. Características dos sensores de radar SRTM, ASTER, SPOT-5, TanDEM-X e AW3DTM
Sistema Sensor Bandas
Espectrais
Resolução
Espacial
Precisão
Vertical
SRTM90 Synthetic Aperture Radar (SAR) C 90m 16m
SRTM30 Synthetic Aperture Radar (SAR) X 30m 16m
TERRA Advanced Spaceborne Thermal Emission and
Reflection Radiometer (ASTER) 3N e 3B 30m 7-50
SPOT-5 High Resolution Stereoscopic (HRS) Pancromáticas 10-5m 10m
TanDEM-X Synthetic Aperture Radar (SAR) X 12m 2-4m
AW3DTM Panchromatic Remote-sensing Instrument for
Stereo Mapping (PRISM) Pancromáticas 5m 5m
Fontes: Nelson et al. (2009), NASA (2015), DLR (2016), JAXA (2016).
A missão SRTM (Shuttle Radar
Topography Mission) foi realizada entre 11 e 20 de
fevereiro de 2000, sendo resultado de convênio
firmado entre as agências espaciais dos Estados
Unidos (National Aeronautics and Space
Administration – NASA), Alemanha (Deutsches
Zentrum für Luft-und Raumfahrt – DLR) e Itália
(Agenzia Spaziale Italiana – ASI). Esta missão
consistiu em acoplar dois sistemas de radar de
abertura sintética (Synthetic Aperture Radar –
SAR), ambos interferométricos, no ônibus espacial
Endeavour; operacionalizados, simultaneamente,
em diversas fases mediante Banda-C e Banda-X,
responsáveis por gerar, respectivamente, MDEs
globais com 90 metros (três arcos de segundo) e 30
metros (um arco de segundo) de resolução espacial
(Rabus et al., 2003).
O sensor ASTER (Advanced Spaceborne
Thermal Emission and Reflection Radiometer) está
incorporado ao satélite Terra, lançado pela NASA
em dezembro de 1999 em parceria com a autarquia
do governo japonês Earth Remote Sensing Data
Analysis Center (ERSDAC), como parte da missão
Earth Observing System (EOS). É composto por
diversas bandas espectrais de finalidades
diversificadas, e os modelos tridimensionais,
especificamente, podem ser gerados a partir de
informações obtidas por dois sensores
estereoscópicos que atuam na faixa do
infravermelho próximo: bandas 3N (nadir-
viewing) e 3B (backward-viewing). Sua resolução
espacial básica é de 30 metros, enquanto sua
precisão vertical e horizontal situa-se entre sete e
50 metros, cujo nível de confiança tende a
aumentar pela atualização do sistema realizada no
ano de 2011 (ASTER G-DEM), vislumbrando-se a
correção de erros sistemáticos do projeto anterior
(ASTER-1A), assim como ampliação de sua
cobertura espacial (Nelson et al., 2009).
O SPOT (Satellite Pour l'Observation de la
Terre) refere-se às gerações de satélites lançados
entre 1986 e 2014 sob liderança da agência espacial
da França (Centre National D’études Spatiales –
CNES), com apoio da Bélgica e da Suécia, tendo
sido projetados para operar através de sensores
ópticos em bandas do visível, infravermelho
próximo e infravermelho médio. Incorporou na
versão 5 (SPOT-5), lançada em maio de 2002,
sensores de alta resolução estereoscópica (HRS),
situados na frente e na traseira do sistema,
projetados para realizar registros tridimensionais
em grandes extensões territoriais, passíveis de
constante atualização. Destes sensores, pode-se
derivar MDE com precisão vertical de 10 metros e
precisão horizontal de 15 metros, com nível de
confiança próximo a 90% (Nelson et al., 2009).
O TanDEM-X (TerraSAR-X add-on for
Digital Elevation Measurement) refere-se ao
sistema de radar liderado pela agência espacial
alemã (Deutschen Zentrums für Luft-und
Raumfahrt – DLR), consistindo em sensores SAR
configuráveis, instalados em dois satélites quase
idênticos: o TerraSAR-X, lançado em julho de
2007, e o TanDEM-X (do qual se derivou o nome
do sistema), lançado em julho de 2010 – mesmo
ano em que ambos foram alinhados e passaram a
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 566
percorrer órbita igualitária, com distância variando
entre 250 a 500 metros. Este sistema foi projetado
para gerar modelos digitais (MDS e MDT)
consistentes e de abrangência global (WorldDEM),
com alta precisão vertical (2-4m) e horizontal
(12m) – muito superiores aos outros sistemas
mencionados, como o SRTM (Figura 3).
Apesar de atualmente ter caráter comercial
a DLR possibilita cadastro de pesquisadores para
disponibilização gratuita de imagens, a qual
depende, no entanto, de análise e parecer favorável
pela agência dos projetos a ela submetidos (DLR,
2016).
Figura 3. Comparação entre modelos SRTM 90m, SRTM 30m e TanDEM-X 12m. Fonte: DLR (2015).
Já o AW3D (World 3D Topographic Data)
refere-se ao mais recente projeto voltado à
aquisição de dados de elevação em abrangência
global, iniciado pela agência espacial japonesa
(Japan Aerospace Exploration Agency – JAXA)
que utiliza informações adquiridas pelo satélite
ALOS (Advanced Land Observing Satellite). Os
MDEs deste sistema são gerados a partir do
instrumento PRISM (Panchromatic Remote-
sensing Instrument for Stereo Mapping),
apresentando resolução espacial básica de cinco
metros; mesma medida atribuída à precisão
horizontal e vertical das imagens (JAXA, 2016).
Entre os mecanismos com potencial de
aplicabilidade em geomorfometria, há de se
destacar os denominados Veículos Aéreos Não
Tripulados (VANTs). Considerando a
possibilidade de levantamentos precisos com custo
reduzidos, têm sido compreendidos como bastante
promissores para elaboração de modelos digitais e
de sua derivação em parâmetros
geomorfométricos, inclusive sendo objeto de
estudos específicos preocupados com o
processamento das informações (Eisenbeiss, 2004;
Everaerts, 2008; Ferreira et al., 2013); questões de
segurança (Furtado et al., 2008; Cetinsoy et al.,
2012); qualidade dos dados gerados (Johnson et al.,
2003; Anderson et al., 2014) e aplicações
geoambientais (Koh e Wich, 2012; Lucieer et al.,
2014; Siebert e Teizer, 2014).
Kostrzewa et al. (2003) e Medeiros et al.
(2008) reconhecem uma série de limitações
técnicas nos dados derivados de VANTs,
vislumbrando, no entanto, ampliação progressiva
de sua aplicação em análises do meio físico,
particularmente nas que necessitam de maior nível
de detalhamento, como levantamentos
topográficos para obras de engenharia, agricultura
de precisão, monitoramento ambiental e
planejamento e gestão territorial.
Processamento das fontes de dados
A extração de parâmetros e objetos
geomorfométricos em SIG se pauta nas
características dos modelos digitais de entrada, as
quais devem ser especificadas para denotar os
graus de generalização e precisão das informações
originadas. Estas especificações referem-se ao:
algoritmo de interpolação, tamanho da janela de
amostragem, tamanho de célula (pixel) e fator de
arredondamento numérico.
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 567
As indicações dos nomes do SIGs e das
ferramentas utilizadas são igualmente importantes,
já que podem existir diferenças entre um mesmo
modelo processado em softwares diferentes, o que
acaba repercutindo na configuração dos dados
possíveis de serem extraídos (Pike et al., 2009).
Atualmente, a maioria das plataformas de
SIG disponíveis (exemplificados no Quadro 2)
possuem módulos aplicáveis em geomorfometria,
incorporando operações matemáticas e estatísticas
para processamento das fontes de dados e para
extração de parâmetros e objetos, além de
ferramentas específicas para tratamento
cartográfico; disponibilizadas tanto por softwares
proprietários (ex. ArcGIS, ENVI, IDRISI, Surfer e
Global Mapper) quanto por softwares com código
e/ou fonte abertos (ex. GvSIG, MicroDEM,
GRASS, QGIS, SAGA, KOSMO, ILWIS e
SPRING).
Quadro 2. Exemplos de SIGs com módulos aplicáveis em geomorfometria
SIG Instituição/país de origem Acessibilidade
ArcGIS Environmental Systems Research Institute (ESRI)/EUA www.esri.com
ENVI Exelis VIS/Reino Unido www.exelisvis.com
IDRISI Clark Labs/EUA https://clarklabs.org/terrset
Surfer Golden Software/ EUA www.goldensoftware.com
Global
Mapper Blue Marble Geographics/EUA www.bluemarblegeo.com
GvSIG Generalidad Valenciana/Espanha www.gvsig.com
MicroDEM U.S Naval Academy/EUA www.usna.edu
GRASS Construction Engineering Research Laboratory
(CERL)/EUA http://grass.osgeo.org
QGIS Locate Press – EUA www.qgis.org
SAGA University of Göttingen/Alemanha www.saga-gis.org
KOSMO Sistemas Abiertos de Informacíon Geográfica
(SAIG)/Espanha www.opengis.es
ILWIS Institute of Geoinformation Science and Earth Observations
(ITC)/Países Baixos www.ilwis.org
SPRING Instituto Nacional de Pesquisas Espaciais (INPE)/Brasil www.dpi.inpe.br/spring
Fontes: Instituições e websites mencionados (2015).
Steiniger e Bocher (2009), realizando
estudo comparativo entre softwares de SIG,
apontam inúmeras vantagens daqueles livres e de
código aberto em relação aos comerciais (softwares
proprietários), tais como uso irrestrito,
desenvolvimento colaborativo, ausência de taxas
de licenciamento e possibilidade de customização.
Por outro lado, apontam que a garantia de suporte
técnico e perfeita funcionalidade de todos os
componentes do SIG, são vantagens melhor
proporcionadas pelos softwares proprietários.
Wood (2009), por outro lado, avalia que a
escolha por um determinado SIG não pode ser
determinada exclusivamente pelas funcionalidades
ou viabilidades orçamentárias que oferece, já que a
capacidade técnico-operacional dos recursos
humanos envolvidos também acaba sendo um
critério bastante significativo. No que diz respeito
às funções especificamente geomorfométricas, a
escolha de um SIG também deve considerar,
primordialmente, sua capacidade de auxiliar a
identificação prévia das potencialidades e
limitações das fontes de dados utilizadas.
Sobre esta questão, Florinski (1998)
considera que uma análise geomorfométrica bem
sucedida perpassa diferentes etapas de “pré-
processamento” de dados, visando à estimativa de
elevações e objetos ausentes ou filtragem de
elementos inconsistentes, visando a melhor
aproximação possível com as características reais
da superfície terrestre.
Esta fase, que antecede a extração de
parâmetros e objetos, pode reduzir o número de
dados inconsistentes, que para Wise (2000) podem
ser classificados, de maneira geral em: a)
Artefatos; b) Erros sistemáticos; e c) Erros
aleatórios (Figura 4).
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 568
Figura 4. Dados inconsistentes em MDT de origem planialtimétrica (a), em MDE SRTM-90 (b) e em MDE
ASTER1-30 (c).
Os Artefatos, por possuírem formatos
irregulares, são facilmente detectados em vistas
tridimensionais (relevo sombreado), podendo
apresentar, por exemplo, orifícios, rugosidades,
patamares ou superfícies lineares não condizentes
com a configuração geral da área. Os Erros
Sistemáticos, por outro lado, são inerentes aos
métodos originais de coleta de dados e às
limitações dos procedimentos posteriores de
interpolação e retificação. Ao contrário dos
artefatos, erros sistemáticos não são facilmente
detectados, sendo necessárias técnicas de maior
complexidade para identificação de informações
relevantes dos erros advindos das próprias fontes
de dados ou buscar resolvê-los, por exemplo, pelas
características geométricas de alguns parâmetros
primários, tais como inclinação, declividade e
curvaturas de vertentes (Hofer et al., 2006). Os
Erros Aleatórios, por sua vez, são frequentemente
associados há equívocos de medição, sendo mais
significativos em modelos derivados de
sensoriamento remoto.
Wise (2000) considera que erros aleatórios
em modelos de elevação orbitais são
potencialmente problemáticos, destacando, no
entanto, que se constatada sua constância, a
distinção entre ruídos e variabilidade normal da
área de interesse é facilitada consideravelmente.
Reuter et al. (2009), abordando erros
diretamente oriundos dos distintos métodos de
coleta de dados (erros específicos), destaca que em
modelos derivados de curvas de nível, podem
haver, por exemplo, densidades diferentes de linhas
ao longo da área e inserção de valores equivocados
de elevação ou vetorização imprecisa, que sendo
sensíveis aos métodos de interpolação, podem
subtrair ou deformar a estrutura de parâmetros e
objetos de interesse. Em modelos derivados de
dispositivos de nível de campo, os erros podem
estar associados há pausas ou interrupções no
levantamento, subamostragem de áreas
inacessíveis (ex. encostas íngremes e extensos
corpos hídricos) ou oscilação da precisão
requerida. Já em modelos derivados de
sensoriamento remoto, os dados de elevação
podem acabar representando não somente o nível
topográfico, mas igualmente agregando outros
componentes da superfície.
Os autores destacam, entretanto, que erros,
imprecisões ou ausência de dados nos modelos de
entrada, assim como sua propagação nos dados
geomorfométricos de saída (parâmetros e/ou
objetos), podem ser minimizados a partir de três
conjuntos metodológicos:
• Métodos Empíricos: que se aplicam ao
reconhecimento técnico de problemas e
recursos de uma área específica,
permitindo comparação entre diferentes
modelos digitais, os quais, inclusive,
podem ser complementados por dados
derivados de investigação de campo
(Fisher, 1998; Fisher e Tate, 2006);
• Métodos de Filtragem: que objetivam a
mensuração do deslocamento existente
entre dois conjuntos de dados, visando
verificar sua precisão horizontal ou sua
distinção entre os valores representativos
da elevação topográfica e objetos que estão
acima do nível geral do terreno (Rabus et
al., 2003; Hengl et al., 2004; Evans e
Hudak, 2007; Gallant e Hutchinson, 2006;
Reuter et al., 2009);
• Métodos de Simulação Estatística: que
visam estimar valores ausentes das fontes
de dados (Knöpfle et al., 1998; Valeriano,
2004) e/ou modelar formas e processos
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 569
(Wise, 1998; Burrough et al., 2000;
Hutchinson e Gallant, 2000).
Destaca-se que enquanto os métodos
empíricos baseiam-se em informações advindas de
análise direta em campo, os métodos de filtragem
e/ou simulação somente se viabilizam por meio de
operações matemáticas e geoestatísticas.
Suscintamente, em termos estatísticos, a
superfície terrestre pode ser vista como uma
combinação de componentes determinísticos e
aleatórios (Oksanen, 2006):
Z(S) = z∗(s) + εr(s) + εrr(s)
onde z∗(s) é o componente determinístico, εr(s) é o
erro espacial aleatório e εrr(s) são os erros de
medição (ruídos). Esta formulação pode ser
complementada com a finalidade de planejar a
filtragem de um modelo específico ou estimar a
influência da propagação da incerteza em
parâmetros deles derivados, como a proposta de
Gallant e Hutchinson (2006) para dados SRTM,
considerando:
ZSRTM(S) = z(s) + m(s) · g(s) + h(s) + εSRTM(s)
onde z(s) é a superfície terrestre atual, g(s) é a
altura do dossel (árvores, prédios, etc.), m(s) é o
multiplicador de valor de máscara (0 ou 1), h(s) é o
desvio sistemático devido à diferença de datuns
geodésicos utilizados e ε SRTM(s) é o erro de
observação aleatória (normalmente distribuídos).
Há que se destacar que, em
geomorfometria, corrigir e/ou modelar dados
significa operacionalizar algoritmos de
interpolação, visando estimar elevações e formas
em setores da superfície terrestre onde não foram
realizados registros, mediante funções de
vizinhança ou conectividade (Smith et al., 2005).
Para Hengl e Evans (2009) os interpoladores com
função geomorfométrica podem ser agrupados de
acordo com: a) Efeito de Suavização (Baixo,
Médio ou Alto); b) Efeito de proximidade,
podendo ser subdivididos em Global (quando uma
única função se aplica a toda área de estudo) ou
Local (quando se aplicam algoritmos
repetidamente em subconjuntos amostrais); e c)
Pressupostos, sejam determinísticos (certeza de
ocorrência) ou estocásticos (probabilidade de
ocorrência).
No Quadro 3 são apresentados alguns dos
principais algoritmos, compatíveis com SIG,
processados nas fases que antecedem a extração de
parâmetros geomorfométricos:
Estudos de finalidades variadas têm se
preocupado em comparar métodos de interpolação
de dados digitais de elevação, indicando aqueles
detentores de maior ou menor eficiência na
modelagem da superfície terrestre, seja em relação
às fontes de dados, aos parâmetros derivados ou a
capacidade operacional dos SIGs. Análises com
este sentido podem ser verificadas na comparação
entre: Vizinho Natural, Krigagem e Curvatura
Mínima (Tatalovich et al., 2006); Krigagem, IDW,
Curvatura Mínima, TIN e ANUDEM (Reuter et al.,
2007); Krigagem, Linear e IDW (Valeriano, 2004;
Marcuzzo et al., 2011), IDW, Krigagem,
ANUDEM, Vizinho mais Próximo e Curvatura
Mínima (Arun, 2013); ANUDEM, IDW, TIN,
Krigagem, Vizinho Natural e Curvatura Mínima
(Tan e Xu, 2014); e Krigagem e ANUDEM
(Nogueira e Amaral, 2009; Carmo et al., 2015).
Temme et al. (2009) consideram que o
grau de eficiência de cada algoritmo de
interpolação é dependente, em grande parte, do
nível de amostragem de dados e dos objetivos
estipulados para um determinado recorte espacial,
e, por este motivo, não é possível afirmar com
exatidão qual seria o mais apropriado.
Pain (2005) e Hengl e Evans (2009), por
sua vez, afirmam que tal escolha pode ser definida
pela análise das propriedades dos dados de entrada
e pelo conhecimento prévio da área e dos objetivos
finais da pesquisa. Exemplificando, em dados onde
os valores de elevação foram medidos com alta
precisão, o interpolador deve ser capaz de preservar
esses recursos. Por outro lado, se as medições
contêm muitos ruídos deve-se considerar a
eventual utilização de um interpolador que possa
suavizá-los.
Depois de realizada a escolha e o
processamento do modelo digital com base em
alguns dos procedimentos demonstrados, se
propicia a extração de variáveis, igualmente
operacionalizadas mediante o instrumental
oferecido pelas plataformas de SIG.
Neste sentido, vislumbrando abordagens
geográficas, é importante apresentar uma síntese
dos principais parâmetros geomorfométricos
potencialmente aplicáveis em Geografia Física e
em suas subdivisões, destacando-se a
Geomorfologia enquanto estrutura abiótica.
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 570
Quadro 3. Principais métodos de interpolação operacionalizados em ambiente SIG Método de
interpolação
Efeito de
suavização
Efeito de
proximidade Pressupostos
Requisitos de
entrada
Forma de
interpolação
Linear Baixo Local Determinístico Nenhum
Estima a altura de algum nó de
grade a partir de pelos três
pontos x,y,z conhecidos
Vizinho natural Médio Local Determinístico Ponderação e
raio de pesquisa
Estima valores por média
ponderada de pontos vizinhos,
agrupados por “Polígonos de
Thiessen”
Vizinho mais
próximo Baixo Local Determinístico Raio de pesquisa
Atribui valor a um nó
desconhecido a partir do valor
do ponto mais próximo
Inverso
ponderado da
distância (IDW)
Baixo Local Determinístico Ponderação e
raio de pesquisa
Baseia-se em coeficientes de
ponderação que controlam a
influência de pontos amostrais
sobre pontos desconhecidos
Rede Irregular
de triangulação
(TIN)
Baixo Local Determinístico Raio de pesquisa
São inseridos círculos entorno
de pontos amostrais, cujas
intersecções são conectadas
por rede de triângulos
Curvatura
mínima (Spline) Alto Local Determinístico
Fator de
suavização e
raio de pesquisa
Utiliza curvas suaves que
perpassam os valores de
entrada a partir de polinômios
de pequena ordem
ANUDEM Alto Local/Global Determinístico
Fator de
suavização,
direção de fluxo
e raio de
pesquisa
Agrega dados de elevação com
os da rede de drenagem para
produzir superfícies
hidrologicamente consistentes
Krigagem Médio Local/Global Estocástico Variograma e
raio de pesquisa
Analisa pontos de elevação
dispersos para determinar
dependência espacial, escala
de variação e grau de
aleatoriedade das amostras
Fontes: Valeriano (2008), Hengl e Evans (2009) e ESRI (2010).
Parâmetros geomorfométricos em Geografia
Física
Conforme delineado anteriormente, os
dados extraíveis de MDTs, MDEs ou MDSTs são
derivados da análise geomorfométrica de
diferentes fontes. Direciona-se há campos do
conhecimento que necessitam de medidas
descritivas (parâmetros) e formas e feições
(objetos) da superfície terrestre (WilsoN, 2012),
considerando desde aqueles de aplicabilidade
geral, quanto específica (Wilson e Gallant, 2000).
Olaya (2009) subdivide os parâmetros
geomorfométricos em:
a) Locais: podendo ser geométricos –
baseados na análise das suas propriedades
matemáticas, a partir de funções de
primeira derivada (ex. declividade e
orientação de vertentes) e de segunda
derivada (ex. perfil/plano de curvatura e
índice de visibilidade); ou estatísticos –
envolvendo operações por análise de
vizinhança com janelas amostrais fixas ou
ajustáveis (em tamanho e formato) para
extrair informações específicas, (ex.
índice de rugosidade, índice de
complexidade de forma e índice de
posição topográfica). Utiliza desde
descritores básicos (ex. média, mediana e
desvio padrão) até complexos (ex. fractais
e coeficientes de variação anisotrópica);
b) Regionais: parâmetros secundários
relacionados às propriedades hidrológicas
do terreno, que consideram a função de
conectividade (relações existentes entre
os pixels) de fluxos hídricos (ex. área de
captação, comprimento de rampa e índice
de umidade topográfica).
Teoricamente, algoritmos voltados a
geomorfometria podem ser aplicados em todas as
escalas cartográficas, mesmo milimétricas, embora
a maioria das análises atuais se restrinjam as
escalas métricas. Reiterando, são as etapas de pré-
processamento de um modelo digital que
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 571
determinarão a precisão espacial, vertical e de
aplicabilidade dos parâmetros e objetos dele
extraídos, influenciadas diretamente pelos
interpoladores, softwares e tamanho dos pixels dos
modelos (Evan e Cox, 1999).
No Quadro 4 são demonstradas as
características principais de parâmetros
geomorfométricos (locais ou regionais) de
aplicabilidade geral.
Quadro 4. Parâmetros geomorfométricos básicos Parâmetro Tipo Características principais
Declividade Local/Primário Indica o ângulo formado entre o plano horizontal e à tangente de uma
superfície.
Orientação
(aspecto) Local/Primário
Medida de ângulo horizontal que expressa, em azimute (0 a 360º), a direção
esperada para o escoamento superficial.
Relevo
Sombreado Local/Primário
Modelagem tridimensional da topografia que melhora a aparência visual do
relevo, tornando-o mais claro e intuitivo à percepção humana.
Perfil de
curvatura Local/Primário
Refere-se à variação convexo-côncava das formas de vertentes quando
analisadas em perfil.
Plano de
curvatura Local/Primário
Refere-se à divergência ou convergência de fluxos de matéria sobre as
vertentes, quando analisadas horizontalmente.
Hipsometria Local/Primário Representam as variações de altitude de uma superfície mediante classes ou
intervalos, diferenciados por gradação de cores.
Comprimento
de rampa Regional/Secundário
Determina a velocidade do fluxo e grau de confluência do escoamento
superficial.
Acumulação
de fluxo Regional/Secundário
Considera toda área capaz de fornecer escoamento à um determinado ponto
do terreno.
Canais de
drenagem e
divisores
Regional/Secundário
Utilizados como base para delimitação de bacias hidrográficas e
discretização dos seus elementos hidrológicos
Fonte: Wilson e Gallant (2000), Valeriano (2008), Olaya (2009).
Os dados geomorfométricos básicos
podem ser obtidos a partir de algoritmos
estruturados sobre modelos teóricos e
metodológicos distintos, como as propostas de
Young (1972), Horn (1981) e Berry (1996) para
cálculo de declividade; de Krcho (1973), Gallant e
Wilson (1996) e Shary et al. (2002) para
determinação da orientação de vertentes (aspecto);
de Evans (1972), Zevenbergen e Thorne (1987),
Shary (1991) e Burrough e McDonnell (1998) para
cálculo de plano e perfil de curvatura de vertentes;
e de O’Callaghan e Mark (1984) e Tarboton (1997)
para determinação de acumulação de fluxo e índice
topográfico de umidade. Análises comparativas,
indicando vantagens e desvantagens de tais
propostas, podem ser verificadas em Schimidt et al.
(2003) e Gruber e Peckham (2009).
Sobre esta diversificação teórico-
metodológica, Florinski (1998) alerta que, em SIG,
mesmo as proposições consideradas mais
eficientes resultarão em saídas pobres se os dados
de entrada utilizados são de baixa qualidade ou
potencialmente inadequados para a aplicação
requerida. Temme et al. (2009), no mesmo sentido,
consideram que erros existentes nas fontes de
dados podem se propagar nos parâmetros
geomorfométricos de formas nem sempre
facilmente previsíveis e, por este motivo, a
definição das incertezas e suas propagações
espaciais torna-se imprescindível para garantir a
qualidade das informações geradas. Sendo assim,
uma cuidadosa comparação entre diferentes
algoritmos, utilizando-se condições de controle
(ex. Validação Cruzada, Raiz Quadrada do Erro
Médio, Método de Monte Carlo), permite avaliar
os diversos graus de sensibilidade das propriedades
dos modelos de entrada, bem como eventual
propagação de dados inconsistentes nos parâmetros
derivados (Zhou e Liu, 2004).
Entre os estudos direcionados às
problemáticas supramencionadas destacam-se a
avaliação de parâmetros primários extraídos de
modelos gerados por distintos interpoladores
(Carrara et al. 1997; Desmet, 1997); de parâmetros
potencialmente sensíveis a artefatos, tais como
declividade, aspecto e curvaturas (Wise, 1998;
Fisher e Tate, 2006); e da incerteza estatística de
dados de elevação de diferentes modelos (Holmes
et al., 2000; Oksanen, 2006; Darnell et al., 2008).
Pesquisas voltadas à análise de erros e
incertezas de MDEs igualmente abordam sua
propagação em parâmetros secundários e/ou
específicos, avaliados, por exemplo, na predição de
solos (Hengl et al., 2004; Borisov et al., 2009); no
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 572
mapeamento da vegetação (Van Niel et al., 2004;
Hutton e Brazier, 2012); em modelos hidrológicos
(Endreny e Wood, 2001; Zandebergen, 2011) e no
mapeamento de formas e processos
geomorfológicos (Hebeler e Purves, 2011; Bell,
2012; Casella e Franzini, 2015).
Reitera-se que, independente do parâmetro
geomorfométrico gerado e suas eventuais
aplicações, sua validação torna-se imprescindível,
embora este seja um problema ainda não resolvido
integralmente em termos metodológicos, aos quais
se entremeiam à necessidade de confirmação de um
conjunto de hipóteses para se chegar a um modelo
estatístico de erro considerado ideal (Temme et al.,
2009).
Por outro lado é evidente que, na Geografia
Física, estes dados fornecem respaldos técnicos e
metodológicos às suas diversificadas subáreas,
possibilitando a extração de parâmetros
secundários e objetos específicos, como aqueles
referentes à: predição e cartografia pedológica
(Hengl et al., 2004; Silveira et al. 2013),
delimitação de unidades de paisagem (Hörsh,
2003; Klingseisen et al., 2008; Shary e Sharaya,
2014), caracterização climática (Böhner, 2005;
Hong et al., 2005; Daly et al., 2008) modelagem
hidrológica (Tarboton, 1997; Armstrong e Martz,
2003; Lin e Oguchi, 2004), modelagem de
desastres geoambientais (Korup, 2004; Salinas e
López-Blanco, 2010; Sailer et al., 2014),
levantamentos arqueológicos (Doneus e Briese,
2006; Verhagem e Dragut, 2012), análise da
geodiversidade (Zwoliñski, 2010; Lindsay et al.,
2013; Testa et al., 2013; Manosso e Nóbrega;
2015) e análise digital do relevo (Miliarelis, 2001;
Weiss, 2001; Bolongaro-Crevenna et al., 2005;
Gallant et al., 2005; Iwahashi e Pike, 2007); sendo
a última delineada mais detalhadamente na
sequência, considerando tanto abordagens
especificamente geomorfológicas, quanto a
influência da estrutura do relevo e de suas funções
frente a outros aspectos do meio físico.
Parâmetros geomorfométricos em
Geomorfologia
A geomorfometria, antes de se tornar uma
área de conhecimento com “direitos próprios”, por
muito tempo foi considerada uma subárea da
geomorfologia, devido seu amplo conjunto de
relações mútuas, diretas e indiretas (Macmillan e
Shary, 2009). Apesar de ter se individualizado
enquanto ciência, a geomorfometria cumpre
funções imprescindíveis na análise
geomorfológica, apresentando inúmeras vantagens
em relação aos procedimentos manuais e
qualitativos, tais como as indicadas por Macmillan
et al. (2000); Iwahashi e Pike (2007) e Evans
(2012).
Considerando a taxonomia e cartografia
geomorfológica, propostas metodológicas
intensificaram-se a partir do Congresso
Internacional de Geógrafos, realizado em 1956 na
cidade do Rio de Janeiro, promovido pela União
Geográfica Internacional (UGI). Deste evento
resultou uma comissão específica para impulsionar
as pesquisas com esta finalidade, que passaram a se
desenvolver sistematicamente, sobretudo, em
países europeus, culminando nos sistemas de
mapeamento francês (ex. Tricart e Cailleux, 1956;
Tricart, 1965), soviético (ex. Mescerjakov, 1968;
Demek, 1972;), holandês (ex. Verstappen e
Zuidam, 1975; Verstappen, 1983) e alemão (ex.
Kügler, 1976). Algumas delas influenciaram
significativamente as metodologias desenvolvidas
e aplicadas em território brasileiro (ex. IPT, 1981;
Ross, 1992; Ross e Moroz, 1997; Santos et al.,
2006; IBGE, 2009).
Porém, como as propostas mencionadas se
estruturaram a partir de modelos teóricos distintos
ou ênfases em determinados aspectos
geomorfológicos, tornou-se inviável o
estabelecimento de normativas e padronizações
definitivas, ao menos no contexto internacional
(Ross, 1990).
Por outro lado, à caracterização e
cartografia do relevo evoluiu concomitantemente
aos subsídios teóricos e metodológicos posteriores,
destacando-se aqueles disponibilizados pela
Geomorfometria, que sendo estruturadas a partir de
operações matemáticas, estatísticas e
computacionais em desenvolvimento progressivo,
foram responsáveis por ampliar a precisão na
extração e classificação de elementos
geomorfológicos, abrangendo a derivação de
modelos digitais por métodos automáticos ou
semiautomáticos em ambiente SIG (Macmillan et
al., 2000; Iwahashi e Pike, 2007; Klingseisen et al.,
2008; Evans, 2012).
Destaca-se que na análise geomorfológica
quantitativa, os procedimentos manuais e a
interpretação visual qualitativa ainda possuem
funções importantes (Romstad, 2001; Valeriano,
2008), inclusive servindo como critério para
validação ou comparação de dados gerados
automaticamente (Gallant et al., 2005;
Seijmosbergen et al., 2011).
Mesmo assim, em comparação a métodos
manuais, a classificação digital das formas de
relevo possibilita que unidades homogêneas sejam
melhores reconhecidas em relação às unidades
adjacentes (Macmillan e Shary, 2009) e que as
mesmas sejam hierarquizadas em níveis
taxonômicos mais precisos (Dikau, 1990;
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 573
Macmillan et al., 2004), possibilitando a
estruturação de “um sistema de informações
geomorfológicas capaz de prover métodos
apropriados de análise e modelagem” (Dikau,
1990, p. 230). Melhorando a consistência e
confiabilidade na precisão e espacialização dos
dados adquiridos, estes procedimentos modernos
permitem, ainda, que os mapeamentos sejam
elaborados em escalas diversificadas – das locais às
continentais.
Klingseisen et al. (2008), constatando alto
grau de subjetividade na delimitação visual do
relevo, bem como diversas limitações das
plataformas SIG sobre os objetivos estipulados,
elaboraram software específico (LANDFORM 2)
estruturado por algoritmo fuzzy para classificação
semiautomatizada de unidades homogêneas,
fundamentando-se em Speight (1990).
Considerando a possibilidade de testar
padronizações em MDE e em seguida ajustá-las de
acordo com a complexidade geomorfológica da
porção sudoeste do território australiano, os autores
definiram objetivos direcionados à agricultura de
precisão (Fazenda Muresk). O estudo consistiu em
subdividir atributos topográficos básicos (parte
superior, média e inferior) para definição de classes
primárias de formas de relevo, cujos ruídos
remanescentes (células únicas ou tiras estreitas)
puderam ser removidos por filtro de mediana,
estruturado em janela de 5x5 células.
Uma questão importante relacionada à
análise digital do relevo é de que parâmetros
geomorfométricos aplicados em classificações e
mapeamentos tradicionais sejam submetidos à
automatização. Gallant et al. (2005)
disponibilizaram-se a esta tarefa em relação às
proposições de Hammond (1964), que se pautou,
por sua vez, na combinação de mapas de
declividade, formas e perfis topográficos para
definir 12 classes de formas de relevo em estudo
aplicado na porção norte do Alasca (EUA).
A aplicação desta metodologia em
ambiente SIG refere-se à utilização de janelas
móveis (10x10) de MDE para extração e
combinação dos mesmos parâmetros adotados
originalmente, cuja validação estatística não se
viabilizou devido à indisponibilidade dos dados
quantitativos no trabalho de referência. Apesar do
maior detalhamento existente no mapa digital, os
autores constataram visualmente muitas
similaridades com o mapa analógico, embora
ponderem que nem todas as metodologias para
mapeamentos analógicos possam ser
informatizadas.
Propondo uma classificação
geomorfológica essencialmente automatizada,
Macmillan et al. (2000) desenvolveram método
envolvendo a lógica fuzzy em MDEs para
identificação heurística de 15 padrões
morfológicos, anteriormente categorizados por
Pennock et al. (1994), baseando-se em parâmetros
geomorfométricos primários. Aplicada no oeste
canadense, esta pesquisa objetivou melhorar
procedimentos manuais voltados à descrição de
entidades geomorfológicas, especificamente
aplicáveis na agricultura de precisão. Os principais
resultados positivos obtidos referem-se à redução
de fragmentação espacial, modelando áreas mais
contínuas, e melhor distribuição de classes
definidas em posições relativas de declividade.
Romstad (2001) considera que alguns
parâmetros topográficos derivados de MDEs
fornecem dados importantes sobre as
características de certo elemento da paisagem. No
entanto, avalia que o a distribuição espacial destes
parâmetros normalmente é negligenciada em
algoritmos comumente utilizados para
classificação automática do relevo, não resolvendo
integralmente problemas escalares ou relacionados
à sobreposição entre diferentes classes.
O autor adaptou algoritmo de
generalização (cluster iterativo), proposto
inicialmente por Friedrich (1996), para particionar
sua área de estudo (nordeste da Ilha Spitzberg,
Noruega) em unidades homogêneas, levando em
conta relações de vizinhança em grids de
parâmetros geomorfométricos primários,
responsáveis por definir grau de generalização –
por ele denominado Fusão Contextual. Seu estudo
concluiu que o método proposto é capaz de reiterar
hipóteses sobre as relações entre parâmetros
topográficos e formas de relevo, com a vantagem
de simplificar a interpretação e aperfeiçoar a
representação de sua distribuição espacial.
A necessidade de maior eficiência na
distribuição espacial das categorias ou classes
geomorfológicas é uma questão igualmente
apontada por Iwahashi e Pike (2007), que sugerem
que a discretização do relevo seja realizada
mediante um número restrito de variáveis
topográficas, ou seja, somente aquelas detentoras
de recursos espaciais imprescindíveis.
Utilizando assinaturas geométricas –
entendidas como um conjunto de medidas voltadas
à distinção de unidades espaciais díspares (Pike,
1988), os autores demonstram que apenas três
variáveis (declividade, convexidade e textura),
quando submetidas a um conjunto de regras em
uma árvore de decisão simples, são suficientes para
gerar automaticamente mapas geomorfológicos.
Esta premissa resultou em proposta de
classificação que compreende oito, 12 e 16 classes
aplicadas em escala distintas, respectivamente, no
distrito de Shimukappu, Japão (MDE com 55m),
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 574
em todo o território japonês (MDE com 270m) e
em toda porção continental da Terra (MDE com 1
km de resolução horizontal).
Em relação à análise da interdependência
entre as variações topográficas com os demais
aspectos do meio natural e/ou antrópico, destaca-se
a proposta metodológica de Weiss (2001), que
considera que muitas características físico-
ambientais estão altamente correlacionadas à
posição topográfica dos componentes de uma
paisagem. Analisando a vizinhança existente entre
valores de declividade e de elevação em MDE,
buscou padrões espaciais para classificação
supervisionada de feições e formas de relevo,
relacionando-os a fenômenos hidrológicos,
climatológicos e ecológicos em sua área de
pesquisa: os arredores do Monte Hood (Oregon,
EUA).
O autor propôs o algoritmo Índice de
Posição Topográfica – IPT (Topographic Position
Index – TPI) para verificar as diferenças entre
valores de um ponto central de células raster com
os valores médios do seu entorno. Utilizando-se de
janelas anelares, pondera que valores positivos
indicam áreas mais elevadas (ex. cristas e morros);
valores negativos, locais mais rebaixados (ex. vales
e depressões); e valores próximos à zero,
superfícies planas (ex. planícies aluviais ou
costeiras).
Como células de grade de valores idênticos
podem se referir a contextos geomorfológicos
distintos, sugere, ainda, que a discretização do IPT
em formas de relevo se baseie na variabilidade de
vizinhança existente, que pode ser definida a partir
de valores de desvio padrão. Nesta conjuntura,
define duas propostas de classificação de formas de
relevo: uma com até seis classes – a partir de matriz
única, com raio de análise de tamanho fixo; e outra
com até dez classes – a partir de duas matrizes, com
raios de análise com tamanhos que podem variar
conforme o grau de generalização requerido.
Outros exemplos de classificação e
mapeamento automatizado e semiautomatizado de
unidades e formas geomorfológicas, bem como sua
interrelação com meio físico e geoambiental,
podem ser encontrados em Dikau et al. (1995),
Miliaresis (2001), Bolongaro-Crevenna et al.
(2005), Dragut e Blaschke (2006), Ehsani e Quiel
(2008), Minár e Evans (2008), Saadat et al. (2008),
Smith (2011) e Hani et al. (2012).
Conclusões
Com base no exposto verifica-se que a
quantificação da superfície terrestre se baseou na
necessidade do reconhecimento territorial durante
a Antiguidade, tendo sido impulsionada,
entretanto, em termos conceituais e metodológicos,
somente a partir do final do século XIX,
gradualmente se sistematizando enquanto ciência;
culminando nas bases da Geomorfometria atual.
Em que pese suas múltiplas aplicações,
desde a sistematização da Geografia,
particularmente da Geografia Física, a
geomorfometria têm se constituído com um
arcabouço metodológico imprescindível. De
maneira evolutiva, vem contribuído em muitas
pesquisas que utilizam a informação topográfica
como premissa.
A análise bibliográfica demonstrou que a
acurácia das informações da superfície terrestre é
inerente a crescente disponibilização de fontes de
dados, sejam de origem terrestre ou orbital; cuja
aplicabilidade, essencialmente interdisciplinar, é
bastante promissora.
Entrementes, a utilização dos modelos
digitais de diversificadas fontes, bem como dos
parâmetros geomorfométricos deles derivados,
deve ser acompanhada de uma análise crítica das
suas potencialidades e limitações, de maneira a
propiciar a melhor aproximação possível com a
realidade. Neste sentido, destaca-se a necessidade
de se conhecer não somente os procedimentos
técnicos de extração automática de dados via SIG,
mas, igualmente, das operações matemáticas e
estatísticas que podem indicar o nível de precisão
das informações adquiridas; que atribuídos de
diferentes complexidades, são fundamentais na
validação dos modelos gerados.
Reitera-se, entretanto, que os estudos em
Geografia Física e de suas ramificações são
dotados de um caráter científico mais rigoroso
quando embasados pela geomorfometria,
auxiliando a resolução daqueles problemas
geoespaciais que, direta ou indiretamente,
integram-se a diversidade dos objetos, formas e
processos ocorridos na superfície terrestre;
confirmando sua interdisciplinaridade.
Agradecimentos
Os autores agradecem ao Programa de Pós-
graduação em Geografia da UFPR e ao
Departamento de Geografia da UNICENTRO.
Referências
Almeida, P. E. M., Evsukoff, A. G., 2003. Sistemas
Fuzzy, in: Rezende, S. O. (Org.), Sistemas
Inteligentes: fundamentos e aplicações. Manole,
São Paulo, pp. 169-202.
Anderson, R. C., Shanks, P. C., Kritis, L. A., Trani,
M. G., 2014. Supporting remote sensing
research with small unmanned aerial systems.
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 575
The International Archives of the
Photogrammetry. Remote Sensing and Spatial
Information Sciences 40, 17-20.
Armstrong, R. N., Martz, L. W., 2003.
Topographic parameterization in continental
hydrology: a study in scale. Hydrological
Processes [online] 17, 3763-3781. Disponível:
dx.doi.org/10.1002/hyp.1352. Acesso: 05 fev.
2016.
Arun, P. V., 2013. A comparative analysis of
different DEM interpolation methods. The
Egyptian Journal for Remote Sensing and Space
Sciences [online] 16, 133-139.
Disponível:https://doi.org/10.1016/j.ejrs.2013.
09.001. Acesso: 14 set. 2015.
Axelsson, O., 1999. Processing of laser scanner
data – algorithms and aplications. Journal of
Photogrammetry and Remote Sensing [online]
54, 138-147. Disponível:
https://doi.org/10.1016/S0924-2716(99)00008-
8. Acesso: 07 set. 2015.
Bell, A. D. F., 2012. Creating DEMs from Survey
Data: Interpolation Methods and Determination
of Accuracy. Geomorphological Techniques
[online] 2(3.1), 1-9. Disponível:
http://www.geomorphology.org.uk/sites/defaul
t/files/geom_tech_chapters/2.3.1_CreatingDE
MsFromSurveyData.pdf. Acesso: 07 ago. 2015.
Berry, J. K., 1996. Beyond Mapping: concepts,
algorithms and Issues in GIS. Wiley, New
Jersey.
Beven, K. J., Kirby, M. J., Schoffield, N., Tagg, A.,
1984. Testing a physically based flood
forecasting model (TOPMODEL) for three UK
catchments. Journal of Hidrology [online] 69,
119-143. Disponível:
https://doi.org/10.1016/0022-1694(84)90159-8.
Acesso: 11 set. 2016.
Böhner, J., 2005. Advancements and new
approaches in climate spatial prediction and
environmental modelling. Arbeitsberichte des
Geographischen Instituts der HU zu Berlin 109,
49-90.
Bolongaro-Crevenna, A., Torres-Rodríguez, V.,
Sorani, V., Frame, D., Ortiz, M. A., 2005.
Geomorphometric analysis for characterizing
landforms in Morelos State, Mexico.
Geomorphology [online] 67, 407-422.
Disponível:https://doi.org/10.1016/j.geomorph.
2004.11.007. Acesso: 04 jun. 2015.
Borisov, M., Bankovic, R., Drobnjak, S., 2009.
Modelling the Uncertainty of Digital Elevation
Models with Geostatistical Simulation and
Application on Spatially Distribution of Soil
Nitrogen. Scientific Technical Review [online]
59, 54-59. Disponível:
http://www.vti.mod.gov.rs/ntp/rad2009/34-
09/8/8.pdf. Acesso: 07 abr. 2015.
Burrough, P. A., 1986. Principles of Geographic
Information Systems for Land Resource
Assessment. Oxford Science Publications, New
York. (Monographs on Soil and Resources
Survey 12)
Burrough, P. A., Mcdonnell, R. A., 1998.
Principles of Geographical Information
Systems. Oxford University Press Inc., New
York.
Burrough, P. A., Van Gaans, P. F. M., Macmillan,
R. A., 2000. High resolution landform
classification using fuzzy k-means. Fuzzy Sets
and Systems [online] 113, 37-52. Disponível:
https://doi.org/10.1016/S0165-0114(99)00011-
1. Acesso: 10 fev. 2016.
Carrara, A., Bitelli, G., Carla, R., 1997.
Comparison of techniques for generating digital
terrain models from contour lines. International
Journal of Geographical Information Science
[online] 11, 451-473. Disponível:
http://dx.doi.org/10.1080/136588197242257.
Acesso: 02 jan. 2015.
Carmo, E. J., Rodrigues, D. D., Santos, G. R., 2015.
Avaliação dos interpoladores Krigagem e Topo
to Raster para geração de modelos digitais de
elevação a partir de um “as built”. Boletim de
Ciências Geodésicas [online] 21, 674-690.
Disponível: http://dx.doi.org/10.1590/S1982-
21702015000400039. Acesso: 04 mar. 2016.
Casella, V., Franzini, M., 2015. Standardization of
figures and assessment procedures for DTM
vertical accuracy. Geomatics. Natural Hazards
and Risk [online] 6, 515-533. Disponível:
http://dx.doi.org/10.1080/19475705.2014.8890
47. Acesso: 04 dez. 2016.
Cetinsoy, E., Dikyar, C., Hancer, C., Oner, K. T.,
Sirimoglu, E., Unel, M., Aksit, M. F., 2012.
Design and construction of a novel quad tilt-
wing UAV. Mechatronics [online] 22, 723-745.
Disponível:
https://doi.org/10.1016/j.mechatronics.2012.0.0
03. Acesso: 22 jul. 2016.
Chorley, R. J., 1957. Climate and morphometry.
Journal of Geology 65, 628-638.
Clarke, J., 1966. Morphometry from maps, in:
Dury, G. H. (Ed.), Essays in Geomorphology.
Heinemann, London, pp. 235-274.
Daly, C., Halbleib, M., Smith, J. I., Gibson, W. P.,
Doggett, M. K., Taylor, G. H., Curtis, J.,
Pasteris, P. P., 2008. Physiographically
sensitive mapping of climatological
temperature and precipitation across the
conterminous United States. International
Journal of Climatology [online] 28, 2031-2064.
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 576
Disponível: https://doi.org /10.1002/joc.1688.
Acesso: 07 mar. 2016
Darnell, A. R., Nicholas, J. T., Brunsdon, C., 2008.
Improving user assessment of error implications
in digital elevation models. Computers,
Environment and Urban Systems [online] 32,
268-277. Disponível:
https://doi.org/10.1016/j.compenvurbsys.2008.
02.003. Acesso: 12 out. 2015.
Demek, J., 1972. Manual of detailed
geomorphological mapping. Academy of
Sciences, Praga.
Dent, D., Young, A., 1981. Soil Survey and Land
Evaluation, vol. XIII. George Allen & Unwin,
London.
Desmet, P. J. J., 1997. Effects of interpolation
errors on the analysis of DEMs. Earth Surface
Processes and Landforms [online] 22, 563-580.
Disponível:
https://doi.org/10.1002/(SICI)1096-
9837(199706)22:6<563::AID-
ESP713>3.0.CO,2-3. Acesso: 11 mai. 2016.
Dikau, R., 1989. The application of a digital relief
model to landform analysis, in: Raper, J. F.
(Ed.), Three Dimensional Applications in
Geographical Information Systems. Taylor &
Francis, London, pp. 51-77.
Dikau, R., 1990. Geomorphic landform modeling
based on hierarchy theory in: Brassel, K.,
Kishimoto, H. (Eds.), Proceedings of the 4th
International Symposium on Spatial Data
Handling. University of Zürich, Switzerland,
pp. 230-239.
Dikau, R., Brabb, E. E., Mark, R. K., Pike, R. J.,
1995. Morphometric landform analysis of New
Mexico. Zeitschrift fur Geomorphologie
Supplementband 10, 109-126.
DLR – Deutsche Zentrum für Luft-und Raumfahrt,
2016. TanDEM-X Science Service System.
Disponível: https://tandemx-science.dlr.de/.
Acesso: 7 out. 2016.
Doneus, M., Briese, C., 2006. Digital terrain
modelling for archaeological interpretation
within forested areas using full-waveform
laserscanning. The 7th International
Symposium on Virtual Reality, Archaeology
and Cultural Heritage, 155-162.
Dragut, L., Blaschke, T., 2006. Automated
classification of landform elements using
object-based image analysis. Geomorphology
[online] 81, 330-344. Disponível:
https://doi.org/10.1016/j.geomorph.2006.04.01
3. Acesso: 19 out. 2016.
Ehsani, A. H., Quiel, F., 2008. Geomorphometric
feature analysis using morphometric
parameterization and artificial neural networks.
Geomorphology [online] 99, 1-12. Disponível:
https://doi.org/10.1016/j.geomorph.2007.10.00
2. Acesso: 18 mar. 2015.
Eisenbeiss, H., 2004. A mini unmanned aerial
vehicle (UAV): system overview and image
acquisition. International Archives of
Photogrammetry. Remote Sensing and Spatial
Information Sciences [online] 36 (5/W1).
Disponível:https://pdfs.semanticscholar.org/3d
de/3a3d661a99b641914989a402610347e505c9
.pdf. Acesso: 07 set. 2015.
El-Sheimy, N., Valeo, C., Habib, A., 2005. Digital
Terrain Modelling: acquisition, manipulation
and applications. Artech House Inc., Norwood-
Massachusetts.
Endreny, T. A., Wood, E. F., 2001. Representing
elevation uncertainty in runoff modelling and
flowpath mapping. Hydrological Processes
[online] 15, 2223-2236. Disponível:
https://doi.org/10.1002/hyp.266. Acesso: 03
jan. 2016.
ESRI, 2010. ArcGis, Spatial Analyst, 3D Analyst.
Version 10.1. Environmental Systems Research
Institute, Califórnia.
Evans, I. S., 1972. General geomorphometry,
derivatives of altitude, and descriptive statistics,
in: Chorley, R. J. (Ed.), Spatial Analysis in
Geomorphology. Harper & Row, New York, pp.
17-90.
Evans, I. S., Cox, N. J., 1999. Relations between
land surface properties: altitude, slope and
curvature, in: Hergarten, S., Neugebauer, H. J.
(Eds.), Process Modelling and Landform
Evolution. Springer Verlag, Berlin, pp.13-45.
Evans, J. S., Hudak, A. T., 2007. A multiscale
curvature filter for identifying ground returns
from discrete return lidar in forested
environments. Transactions on Geoscience and
Remote Sensing 45, 1029-1038.
Disponível:https://www.fs.fed.us/rm/pubs_othe
r/rmrs_2007_evans_j001.pdf. Acesso: 01 mar.
2016.
Evans, I. S., 2012. Geomorphometry and landform
mapping: What is a landform? Geomorphology
[online] 137, 94-106. Disponível:
https://doi.org/10.1016/j.geomorph.2010.09.02
9. Acesso: 09 out. 2015.
Everaerts, J., 2008. The use of UAVs for remote
sensing and mapping. The International
Archives of the Photogrammetry, Remote
Sensing and Spatial Information Sciences
[online]. Beijing, China. Disponível:
http://www.isprs.org/proceedings/XXXVII/con
gress/1_pdf/203.pdf. Acesso: 11 fev. 2016.
Fisher, P., 1998. Improved modeling of elevation
error with geostatistics. GeoInformatica
[online] 2, 215-233. Disponível:
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 577
https://doi.org/10.1023/A:1009717704255.
Acesso: 17 fev. 2016.
Fisher, P. F., Tate, N. J., 2006. Causes and
consequences of error in digital elevation
models. Progress in Physical Geography
[online] 30, 467-489. Disponível:
https://doi.org/10.1191/0309133306pp492ra.
Acesso: 11 out. 2016.
Florinsky, I. V., 1998. Accuracy of local
topographic variables derived from digital
elevation models. International Journal of
Geographical Information Science [online] 12,
47-62. Disponível:
http://dx.doi.org/10.1080/136588198242003.
Acesso: 28 fev. 2016.
Friedrich, K., 1996. Multivariate distance methods
for geomorphographic relief classification. In:
Proceedings EU Workshop on Land
Information Systems: Developments for
planning the sustainable use of land resources.
European Soil Bureau, Hannover.
Gallant, J. C., Wilson, J. P., Tapes, G., 1996. A
grid-based terrain analysis program for the
environmental sciences. Computers &
Geosciences [online] 22 , 713-722. Disponível:
https://doi.org/10.1016/0098-3004(96)00002-7.
Acesso: 12 out. 2015.
Gallant, A. L., Brown, D.D., Hoffer, R.M., 2005.
Automated Mapping of Hammond’s
Landforms. IEEE Geoscience and Remote
Sensing Letters [online] 2, 384-388. Disponível:
https://doi.org/10.1109/LGRS.2005.848529.
Acesso: 11 jul. 2015.
Gallant, J. C., Hutchinson, M. F., 2006. Producing
digital elevation models with uncertainty
estimates using a multiscale Kalman filter. In:
Proceedings of the 7th International Symposium
on Spatial Accuracy Assessment in Natural
Resources and Environmental Sciences, Lisbon,
pp.150-160.
Gruber, S., Peckham, S., 2009. Land-Surface
Parameters and Objects in Hydrology, in:
Hengl, T., Reuter, H. I. (Eds.)
,Geomorphometry – Concepts, Software,
Applications. Elsevier, Amsterdam, pp. 171-
194. (Series Developments in Soil Science, 33)
Hammond, E. H., 1964. Analysis of properties in
landform geography: an application to broad-
scale landform mapping. Ann. Assoc. Am.
Geogr. [online] 54, 11-19. Disponível:
https://doi.org/10.1111/j.1467-
8306.1964.tb00470.x. Acesso: 11 mai. 2016.
Hani, A. F. M., Sathyamoorthy, D., Asirvadam, V.
S., 2012. Computing surface roughness of
individual cells of Digital Elevation Models via
multiscale analysis. Computers & Geosciences
[online] 43, 137-146. Disponível:
https://doi.org/10.1016/j.cageo.2011.09.015.
Acesso: 14 set. 2015.
Hebeler, F., Purves, R. S., 2009. The influence of
elevation uncertainty on derivation of
topographic indices. Geomorphology [online]
111, 4-16. Disponível:
https://doi.org/10.1016/j.geomorph.2007.06.02
6. Acesso: 12 fev. 2016.
Hengl, T., Gruber, R. S., Shrestha, D. P., 2004.
Reduction of errors in digital terrain parameters
used in soil-landscape modeling. International
Journal of Applied Earth Observation and
Geoinformation [online] 5, 97-112. Disponível:
https://doi.org/10.1016/j.jag.2004.01.006.
Acesso: 01 dez. 2015.
Hengl, T., 2006. Finding the right pixel size.
Computers & Geosciences [online] 32, 1283-
1298. Disponível:
https://doi.org/10.1016/j.cageo.2005.11.008.
Acesso: 13 nov. 2015.
Hengl, T., Evans, I., 2009. Mathematical and
Digital Models of the Land Surface, in: Hengl,
T., Reuter, H.I. (Eds.), Geomorphometry –
Concepts, Software, Applications. Elsevier,
Amsterdam, pp. 31-64. 07 mar. 2016. (Series
Developments in Soil Science, 33)
Hofer, M., Sapiro, G., Wallner, J., 2006. Fair
polyline networks for constrained smoothing of
digital terrain elevation data. Transactions on
Geoscience and Remote Sensing [online] 44,
2983-2990.
https://doi.org/10.1109/TGRS.2006.875451.
Acesso: 04 dez. 2015.
Holmes, K. W., Chadwick, O. A., Kyriakidis, P. C.,
2000. Error in a USGS 30m digital elevation
model and its impact on digital terrain
modeling. Journal of Hydrology [online] 233,
154-173. Disponível:
https://doi.org/10.1016/S0022-1694(00)00229-
8. Acesso: 17 jun. 2015.
Hong, Y., Nix, H. A., Hutchinson, M. F., Booth,
T.H., 2005. Spatial interpolation of monthly
mean climate data for China. International
Journal Climatolology [online] 25, 1369-1379.
Disponível:http://onlinelibrary.wiley.com/doi/1
0.1002/joc.1187/pdf. Acesso: 21 fev. 2016.
Hormann, K., 1969. Geomorphologische
Kartenanalyse mit Hilfe elektronischer
Rechenanlagen. Zeitschrift für Geomorphologie
133 (1), 75-98.
Horn, B. K. P., 1981. Hill shading and the
reflectance map. Proceedings of the IEEE
[online] 69, 14-47. Disponível:
https://doi.org/10.1109/PROC.1981.11918.
Acesso: 07 abr. 2015.
Hörsch, B., 2003. Modelling the spatial
distribution of montane and subalpine forests in
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 578
the central Alps using digital elevation models.
Ecological Modelling [online] 168, 267-282.
Disponível: https://doi.org/10.1016/S0304-
3800(03)00141-8. Acesso: 10 jan. 2016.
Huising, E. J., Gomes-Pereira, L. M., 1998. Errors
and accuracy estimates of laser data acquired by
various laser scanning systems for topographic
applications. Journal of Photogrammetry and
Remote Sensing [online] 53, 245-261.
https://doi.org/10.1016/S0924-2716(98)00013-
6. Acesso: 19 mar 2016.
Hutchinson, M. F., 1989. A new procedure for
gridding elevation and stream data with
automatic removal of spurious pits. Journal of
Hidrology [online] 106, 211-232. Disponível:
https://doi.org/10.1016/0022-1694(89)90073-5.
Acesso: 24 mar. 2016.
Hutchinson, M. F., Gallant, J. C., 2000. Digital
elevation models and representation of terrain
shape, in: Wilson, J.P., Gallant, J. C. (Eds.),
Terrain Analysis: Principles and Applications.
Wiley, New Jersey, pp. 29-50.
Hutton, C., Brazier, R., 2012. Quantifying riparian
zone structure from airborne LiDAR: vegetation
filtering, anisotropic interpolation, and
uncertainty propagation. Journal of Hydrology
[online] 442-443, 36-45. Disponível:
https://doi.org/10.1016/j.jhydrol.2012.03.043.
Acesso: 07. Abr. 2015
IBGE. Instituto Brasileiro de Geografia e
Estatística, 2009. Manual técnico em
geomorfologia, 2 ed. IBGE, Rio de Janeiro.
IPT. Instituto de Pesquisas Tecnológicas, 1981.
Mapa Geomorfológico do Estado de São Paulo.
IPT, São Paulo.
Iwahashi, J., Pike, R. J., 2007. Automated
classifications of topography from DEMs by an
unsupervised nested-means algorithm and a
three-part geometric signature. Geomorphology
[online] 86, 409-440. Disponível:
https://doi.org/10.1016/j.geomorph.2006.09.01
2. Acesso: 18 fev 2015.
JAXA. Japan Aerospace Exploration Agency,
2016. World 3D Topographic Data. Disponível:
http://aw3d.jp/en/. Acesso: 05 mar. 2016.
Acesso: 11 fev. 2016.
Johnson, L., Herwitz, S., Dunagan, S., Lobitz, B.,
Sullivan, D., Slye, R., 2003. Collection of Ultra
High Spatial and Spectral Resolution Image
Data over California Vineyards with a Small
UAV. Proceedings of the International
Symposium on Remote Sensing of Environment
[online]. Disponível:
https://pdfs.semanticscholar.org/bdd7/ad027c7
73b2a1bf53d865b92c0a7199a6da1.pdf?_ga=2.
240697539.1987294132.149550224313890814
62.1495502243. Acesso: 04 dez. 2015.
Klingseisen, B., Meternicht, G., Paulus, G., 2008.
Geomorphometric landscape analysis using a
semi-automated GIS-approach. Environmental.
Modelling & Software [online] 23, 109-121.
Disponível:https://doi.org/10.1016/j.envsoft.20
07.05.007. Acesso: 01 fev. 2016.
Knöpfle, W., Strunz, G., Roth, A., 1998.
Mosaicking of Digital Elevation Models
derived by SAR Interferometry, in: Fritsch, D.,
Englich, M., Sester, S. (Eds.), The International
Archives of Photogrammetry and Remote
Sensing [online] 32/4. Commission IV GIS
between Visions and Applications, Stuttgart,
pp. 306-313. Disponível:
https://pdfs.semanticscholar.org/fbeb/44e27d73
246575c220ff6ecb4fa8c2f85057.pdf. Acesso:
09 abr. 2016.
Koh, L., Wich, S., 2012. Dawn of drone ecology:
low-cost autonomous aerial vehicles for
conservation. Tropical Conservation Science
[online] 5, 121-132. Disponível:
http://tropicalconservationscience.mongabay.c
om/content/v5/TCS-2012_jun_121-
132_Koh_and_Wich.pdf. Acesso: 12 fev. 2016.
Korup, O., 2004. Geomorphometric characteristics
of New Zealand landslide dams. Engineering
Geology [online] 73, 13-35. Disponível:
https://doi.org/10.1016/j.enggeo.2003.11.003.
Acesso: 14 abr. 2015.
Kostrzewa, J., Meyer, W. H., Laband, S., Terre, W.
A., Petrovich, P., Swanson, K., 2003. An
Infrared Microsensor Payload for Miniature
Unmanned Aerial Vehicles. Unattended Ground
Sensor Technologies and Applications.
Proceedings of the SPIE [online], 265-274.
Disponível: https://doi.org/10.1117/12.500712.
Acesso: 08 jul. 2015.
Krcho, J., 1973. Morphometric analysis of relief on
the basis of geometric aspect of field theory.
Slovak Pedagogical Publishers, Bratislava.
Kügler, H., 1976. Zur Aufgaben der
geomorphologischen Forschung und Kartierung
in der DDR. Petermanns Geographische
Mitteilungen 120, 154-160.
Li, Z., Zhu, Q., Gold, C., 2005. Digital Terrain
Modeling: Principles and Methodology. CRC
Press, Boca Raton.
Lin, Z., Oguchi, T., 2004. Drainage density, slope
angle, and relative basin position in Japanese
bare lands from high-resolution DEMs.
Geomorphology [online] 63, 159-173.
Disponível:https://doi.org/10.1016/j.geomorph.
2004.03.012. Acesso: 09 ago. 2015.
Lindsay, M. D., Jessell, M. W., Ailleres, L.,
Perrouty, S., Kemp, E., Betts, P. G., 2013.
Geodiversity: Exploration of 3D geological
model space. Tectonophysics [online] 594, 27-
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 579
37. Disponível:
https://doi.org/10.1016/j.tecto.2013.03.013.
Acesso: 18 mai. 2015.
Lucieer, A., Jong, S. M., Turner, D., 2014.
Mapping landslide displacements using
Structure from Motion (SfM) and image
correlation of multi-temporal UAV
photography. Progress in Physical Geography
[online] 38, 97-116. Disponível:
http://journals.sagepub.com/doi/pdf/10.1177/0
309133313515293. Acesso: 13 mai. 2015.
Macmillan, R. A., Pettapiece, W. W., Nolan, S. C.,
Goddard, T. W., 2000. A generic procedure for
automatically segmenting landforms into
landform elements using DEMs, heuristic rules
and fuzzy logic. Fuzzy Sets and Systems
[online] 113, 81-109. Disponível:
https://doi.org/10.1016/S0165-0114(99)00014-
7. Acesso: 18 fev. 2016.
Macmillan, R. A., Jones, R. K., Mcnabb, D. H.,
2004. Defining a hierarchy of spatial entities for
environmental analysis and modeling using
Digital Elevation Models (DEMs). Computers,
Environment and Urban Systems [online] 28,
175-200. Disponível:
https://doi.org/10.1016/S0198-9715(03)00019-
X. Acesso: 17 mar. 2016.
Macmillan, R. A., Shary, P. A., 2009. Landform
and landform elements in geomorphometry, in:
Hengl, T., Reuter, H.I. (Eds.), Geomorphometry
– Concepts, Software, Applications. Elsevier,
Amsterdam, pp. 227-254. (Series Developments
in Soil Science, 33)
Manosso, F. C., Nóbrega, M. T., 2015. Calculation
of geodiversity from landscape units of the
Cadeado Range region in Paraná, Brazil.
Geoheritage [online] 8, 189-199. Disponível:
https://link.springer.com/article/10.1007/s1237
1-015-0152-1. Acesso: 12 mar. 2015.
Marcuzzo, F. N. N., Andrade, L. R., Melo, D. C.
R., 2011. Métodos de Interpolação Matemática
no Mapeamento de Chuvas do Estado do Mato
Grosso. Revista Brasileira de Geografia Física
[online] 4, 793-804. Disponível:
http://www.revista.ufpe.br/rbgfe/index.php/revi
sta/article/viewArticle/197. Acesso: 18 fev.
2016.
Mark, D. M., Smith, B., 2004. A science of
topography: from qualitative ontology to digital
representations, in: Bishop, M. P., Shroder, J. F.
(Eds.), Geographic Information Science and
Mountain Geomorphology. Springer-Praxis,
Chichester, pp. 75-97.
Martinoni, D., 2002. Models and experiments for
quality handling in Digital Terrain Modelling.
Thesis (Ph.D.). Zürich, University of Zürich.
Martz, L. W., Jong, E., 1988. CATCH: a Fortran
program for measuring catchment area from
digital elevation models. Computers and
Geosciences 14, 627-640.
Maune, D. F., 2001. Digital Elevation Model
Technologies and Applications: The DEM
User’s Manual. American Society for
Photogrammetry and Remote Sensing,
Bethesda.
Medeiros, F. A., Alonso, A. S., Balestra, M. R. G.,
Dias, V. O., Landerhal Jr., M. L., 2008.
Utilização de um veículo aéreo não-tripulado
em atividades de imageamento e
georreferenciado. Ciência Rural [online] 8,
2375-2378. Disponível:
http://www.scielo.br/pdf/cr/v38n8/a46v38n8.p
df. Acesso: 04 mar. 2016.
Mescerjakov, J. P., 1968. Lês concepts de
morphostructure et de morphosculture: um
nouvel instrument de l´analyse
géomorphologique. Annales de Geógraphie
[online] 77, 539-552. Disponível:
http://www.persee.fr/doc/geo_00034010_1968
_num_77_423_15733. Acesso: 14 mai. 2015.
Miliaresis, G. C., 2001. Geomorphometric
mapping of Zagros Ranges at regional scale.
Computers and Geosciences [online] 27, 775-
786. Disponível:
https://doi.org/10.1016/S0098-3004(00)00168-
0. Acesso: 19 ago. 2015.
Minár, J., Evans, I. S., 2008. Elementary forms for
land surface segmentation: The theoretical basis
of terrain analysis and geomorphological
mapping. Geomorphology [online] 95, 236-259.
Disponível:
https://doi.org/10.1016/j.geomorph.2007.06.00
3. Acesso: 14 ago 2015.
Moore, I. D., Grayson, R. B., Ladson, A. R., 1991.
Digital terrain modelling: a review of
hydrological, geomorphological, and biological
applications. Hydrological Processes [online] 5,
3-30. Disponível:
https://doi.org/10.1002/hyp.3360050103.
Acesso: 13 fev. 2015.
NASA. National Aeronautics and Space
Administration, 2015. Shuttle Radar
Topography Mission. Disponível:
http://www2.jpl.nasa.gov/srtm/. Acesso: 10
ago. 2015.
Nelson, A., Reuter, H. I., Gessler, P., 2009. DEM
Production Methods and Sources, in: Hengl, T.,
Reuter, H. I. (Eds.), Geomorphometry:
Concepts, Software, Applications. Elsevier,
Amsterdam, pp. 65-86. (Series Developments in
Soil Science, 33)
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 580
Novo, E. M. L. M., 2008. Sensoriamento Remoto:
princípios e aplicações, 3 ed. Blucher, São
Paulo.
O’callaghan, J. F., Mark, D. M., 1984. The
extraction of drainage networks from digital
elevation data. Computer Vision, Graphics and
Image Processing [online] 28, 323-344.
Disponível: https://doi.org/10.1016/S0734-
189X(84)80011-0. Acesso: 13 fev. 2015.
Oksanen, J., 2006. Uncovering the statistical and
spatial characteristics of fine toposcale DEM
error. International Journal of Geographical
Information Science [online] 20, 345-369.
Disponível:http://dx.doi.org/10.1080/13658810
500433891.Acesso: 10 ago. 2015.
Olaya, V., 2009. Basic Land-Surface Parameters,
in: Hengl, T., Reuter, H. I. (Eds.),
Geomorphometry: Concepts, Software,
Applications. Elsevier, Amsterdam, pp. 141-
170. (Series Developments in Soil Science, 33)
Pain, C. F., 2005. Size does matter: relationships
between image pixel size and landscape process
scales, in: Zerger, A., Argent, R.M. (Eds.),
International Congress on Modelling and
Simulation. Society of Australia and New
Zealand, Melbourne, pp. 1430-1436.
Pennock, D. J., Anderson, D. W., Jong, E. D., 1994.
Landscape changes in indicators of soil quality
due to cultivation in Saskatchewan, Canada.
Geoderma [online] 64, 1-19. Disponível:
https://doi.org/10.1016/0016-7061(94)90086-8.
Acesso: 13 fev. 2015.
Pennock, D. J., 2003. Terrain attributes, landform
segmentation, and soil redistribution. Soil and
Tillage Research [online] 69, 15-26.
Disponível: https://doi.org/10.1016/S0167-
1987(02)00125-3. Acesso: 10 ago. 2015. 13 fev.
2015.
Pike, R. J., 1988. The geometric signature:
quantifying landslide-terrain types from Digital
Elevation Models. Mathematical Geology
[online] 20, 491-511. Disponível:
https://doi.org/10.1007/BF00890333. Acesso:
13 fev. 2015.
Pike, R. J., 2000. Geomorphometry: diversity in
quantitative surface analysis. Progress in
Physical Geography [online] 24, 1-20.
Disponível:
http://journals.sagepub.com/doi/abs/10.1177/0
30913330002400101. Acesso: 13 fev. 2015.
Pike, R. J., Evans, I., Hengl, T., 2009.
Geomorphometry: a brief guide, in: Hengl, T.,
Reuter, H.I. (Eds.), Geomorphometry:
Concepts, Software, Applications. Elsevier,
Amsterdam, 3-30. (Series Developments in Soil
Science, 33)
Rabus, B., Eineder, M., Roth, A, Bamler, R., 2003.
The Shuttle Radar Topography Mission – a new
class of digital elevation models acquired by
spaceborne radar. Photogrammetric
Engineering and Remote Sensing [online] 57,
241-262. Disponível:
https://doi.org/10.1016/S0924-2716(02)00124-
7. Acesso: 13 fev. 2016.
Rasemann, S., Schmidt, J., Schrott, L., Dikau, R.,
2004. Geomorphometry in mountain terrain, in:
Bishop, M. P., Shroder, J. F. (Eds.), GIS &
Mountain Geomorphology. Springer, Berlin,
pp.101-145.
Reuter, H. I., Nelson, A., Jarvis, A., 2007. An
evaluation of void-filling interpolation methods
for SRTM data. International Journal of
Geographical Information Science [online] 21,
1-57. Disponível:
http://dx.doi.org/10.1080/13658810601169899
Acesso: 13 fev. 2015.
Reuter, H. I., Hengl, T., Gessler, P., Soille, P.,
2009. Preparation of DEMs for
Geomorphometric Analysis, in: Hengl, T.,
Reuter, H.I. (Eds.). Geomorphometry:
Concepts, Software, Applications. Amsterdam,
Elsevier, pp. 87-120. (Series Developments in
Soil Science, 33)
Reuter, H. I., Nelson, A., 2009. Geomorphometry
in ESRI Packages, in: Hengl, T., Reuter, H.I.
(Eds.), Geomorphometry, Concepts, Software,
Applications. Amsterdam. Elsevier, pp. 269-
292. (Series Developments in Soil Science, 33)
Romstad, B., 2001. Improving relief classification
with contextual merging. Proceedings of
ScanGIS'2001 – The 8th Scandinavian Research
Conference on Geographical Information
Science. Ås, Norway, 3-13.
Rosa, R., 2005. Geotecnologias na geografia
aplicada. Revista do Departamento de
Geografia 16, 81-90.
Ross, J. L. S., 1990. Geomorfologia: ambiente e
planejamento. Contexto, São Paulo.
Ross, J. L. S., 1992. O registro cartográfico dos
fatos geomórficos e a questão da taxonomia do
relevo. São Paulo. Revista do Departamento de
Geografia da USP 6, 17-29.
Ross, J. L. S., Moroz, I. C., 1997. Mapa
Geomorfológico do Estado de São Paulo.
IPT/FAPESP, São Paulo.
Saadat, H., Bonnell, R., Sharifi, F., Mehuys, G.,
Namdar, M., Ale-Ebrahim, S., 2008. Landform
classification from a digital elevation model and
satellite imagery. Geomorphology 100, 453-
464. Disponível:
https://doi.org/10.1016/j.geomorph.2008.01.01
1. Acesso: 14 fev. 2016.
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 581
Sailer, R., Rutzinger, M., Rieg, L., Wichmann, V.,
2014. Digital elevation models derived from
airborne laser scanning point clouds:
appropriate spatial resolutions for multi-
temporal characterization and quantification of
geomorphological processes. Earth Surface
Processes and Landforms [online] 39, 272-284.
Disponível: https://doi.org/10.1002/esp.3490.
Acesso: 17 fev. 2016.
Salinas, S., López-Blanco, J., 2010. Geomorphic
assessment of the debris avalanche deposit from
the Jocotitlán volcano, Central Mexico.
Geomorphology [online] 123, 142-153.
Disponível:
https://doi.org/10.1016/j.geomorph.2010.07.00
6. Acesso: 09 abr. 2015.
Santos, L. J. C., Oka-Fiori, C., Canali, N. E., Fiori,
A. P., Silveira, C. T., Silva, J.M.F., Ross, J. L.
S., 2006. Mapeamento geomorfológico do
estado do Paraná. Revista Brasileira de
Geomorfologia [online] 7, 03-12.
Disponível:http://dx.doi.org/10.20502/rbg.v7i2
.74. Acesso: 13 dez. 2015.
Schmidt, J., Dikau, R., 1999. Extracting
geomorphometric attributes and objects from
digital elevation models – semantics, methods,
future needs, in: Dikau, R., Saurer, H. (Eds.),
GIS for Earth Surface Systems - analysis and
modelling of the natural environment.
Schweizbart’sche, Verlagsbuchhandlung,
pp.153-173.
Schmidt, J., Evans, I. S., Brinkmann, J., 2003.
Comparison of polynomial models for land
surface curvature calculation. International
Journal of Geographical Information Science
[online] 17, 797-814. Disponível:
http://dx.doi.org/10.1080/13658810310001596
058. Acesso: 17 fev. 2016.
Seijmonsbergen, A .C., Hengl, T., Anders, N. S.,
2011. Semi-automated extraction of
geomorphological features using DEMs, in:
Smith, M. J., Paron, P., Griffiths, J. (Eds.),
Geomorphological Mapping: Methods and
Applications. Elsevier, Amsterdam, pp. 297-
335. (Developments in Earth Surface Processes,
15)
Shary, P.A., 1991. The second derivative
topographic method, in: Stepanov, I. N. (Ed.).
The Geometry of Earth Surface Structures.
Pushchino Research Centre Press, Pushchino,
pp. 28-58.
Shary, P. A., Sharaya, L. S., Mitusov, A. V., 2002.
Fundamental quantitative methods of land
surface analysis. Geoderma [online] 107 (1-2),
1-32.https://doi.org/10.1016/S0016-
7061(01)00136-7. Acesso: 11 mai. 2015.
Shary, P. A., Sharaya, L. S., 2014. Change in NDVI
of Forest Ecosystems in Northern Caucasus as a
Function of Topography and Climate.
Contemporary Problems of Ecology [online] 7,
855-863. Disponível:
https://doi.org/10.1134/S1995425514070099.
Acesso: 19 jan. 2016.
Siebert, S., Teizer, J., 2014. Mobile 3D mapping
for surveying earthwork projects using an
Unmanned Aerial Vehicle (UAV) system.
Automation in Construction [online] 41, 1-14.
Disponível:https://doi.org/10.1016/j.autcon.201
4.01.004. Acesso: 07 set. 2015.
Silveira, C. T., Oka-Fiori, C., Santos, L. J. C.,
Sirtolo, A. E., Silva, C. R., Botelho, M.F., 2013.
Soil prediction using artificial neural networks
and topographic atributes. Geoderma [online]
195-196, 165-172. Disponível:
https://doi.org/10.1016/j.geoderma.2012.11.01
6. Acesso: 19 abr. 2015.
Smith, S. L., Holland, D. A., Longley, P., 2005.
Quantifying interpolation errors in airborne
laser scanning models. Geographical Analysis
[online] 37, 200-224. Disponível:
https://doi.org/10.1111/j.15384632.2005.00636
.x. Acesso: 12 mai. 2015.
Smith, S. E., 2005. Topographic mapping, in:
Grunwald, S. (Ed.), Environmental Soil-
Landscape Modeling: Geographic Information
Technologies and Pedometrics. CRC Press,
New York, pp. 155-182.
Smith, M. J., 2011. Digital Mapping: Visualisation,
Interpretation and Quantification of Landforms,
in: Smith, M. J., Paron, P., Griffiths, J. S. (Eds.),
Geomorphological Mapping: Methods and
Applications. Elsevier, Amsterdam, pp. 225-
251.
Speight, J. G., 1968. Parametric description of
landform, in: Stewart, G. A. (Ed.), Land
evaluation. Macmillan, Australia, pp. 239-250.
Speight, J. G., Landform, in: Mcdonald, R. C.,
Isbell, R. F., Speight, J. G., Walker, J., Hop,
M.S., (Eds.), 1990. Australian Soil and Land
Survey Field Handbook. Inkata Press,
Melbourne, pp. 9-57.
Stein, A., Riley, J., Halberg, N., 2001. Issues of
scale for environmental indicators. Agriculture,
Ecosystems & Environment [online] 87, 215-
232. Disponível:
https://doi.org/10.1016/S0167-8809(01)00280-
8. Acesso: 12 fev. 2015.
Steiniger, S., Bocher, E., 2009. An Overview on
Current Free and Open Source Desktop GIS
Developments. International Journal of
Geographical Information Science [online] 23,
1345-1370. Disponível:
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 582
http://dx.doi.org/10.1080/13658810802634956.
Acesso: 12 mai. 2015.
Strahler, A.N., 1952. Hypsometric (area-altitude)
analysis of erosional topography. Geological
Society of America Bulletin [online] 63, 1117-
1142. Disponível:
http://dx.doi.org/10.1130/00167606(1952)63[1
117. Acesso: 13 jan. 2015.
Tan, Q., Xu, X., 2014. Comparative Analysis of
Spatial Interpolation Methods: an Experimental
Study. Sensors & Transducers [online] 165,
155-163. Disponível:
http://www.sensorsportal.com/HTML/DIGEST
/february_2014/Vol_165/P_1893.pdf. Acesso:
01 mar. 2016.
Tarboton, D. G., 1997. A new method for the
determination of flow directions and
contributing areas in grid Digital Elevation
Models. Water Resources Research [online] 33,
309-319. Disponível:
http://dx.doi.org/10.1029/96WR03137. Acesso:
12 nov. 2015.
Tatalovich, Z., Wilson, J. P., Cockburn, M., 2006.
A comparison of Thiessen Polygon, Kriging and
Spline Models of Potential UV Exposure.
Cartography and Geographic Information
Science [online] 33, 217-231. Disponível:
http://www.tandfonline.com/doi/abs/10.1559/1
52304006779077318. Acesso: 19 nov. 2015.
Temme, A. J. A. M., Heuvelink, G. B. M., Schoorl,
J. M., Claessens, L., 2009. Geostatistical
Simulation and Error Propagation in
Geomorphometry, in: Hengl, T., Reuter, H.I.,
(Eds.). Geomorphometry: Concepts, Software,
Applications. Elsevier, Amsterdam, pp. 121-
140. (Series Developments in Soil Science, 33.)
Testa, B., Aldighieri, B., Bertini, A., Blendinger,
W., Caielli, G., De Franco, R., Giordano, D.,
Kustatscher, E., 2013. Geomorphodiversity of
the San Lucano Valley (Belluno Dolomites,
Italy): a Well-Preserved Heritage. Geoheritage
[online] 5, 151-172.
http://dx.doi.org/10.1007/s12371-013-0079-3.
Acesso: 11 mai. 2015.
Tobler, W. R., 2000. The development of analytical
cartography – a personal note. Cartography and
Geographic Information Science [online] 27,
189-194. Disponível:
http://dx.doi.org/10.1559/15230400078354786
7. Acesso: 08 jan. 2015.
Tricart, J., Cailleux, A., 1956. Le problème de la
classification dês faits géomorphologiques.
Annales de Géographie [online] 349, 162-186.
Disponível:http://www.persee.fr/docAsPDF/ge
o_0003-4010_1956_num_65_349_14285.pdf.
Acesso: 11 dez. 2016.
Tricart, J., 1965. Principles et méthodes de la
Geomorphologie. Masson et Cie, Paris.
Valeriano, M. M., 2004. Modelo digital de
elevação com dados SRTM disponíveis para a
América do Sul. INPE, São José dos Campos.
Valeriano, M. M., 2008. Dados Topográficos, in:
Florenzano, T. G. (Org.), Geomorfologia:
conceitos e tecnologias atuais. Oficina de
Textos, São Paulo, pp. 73-104.
Van Niel, K., Laffan, S. W., Lees, B. G., 2004.
Effect of error in the DEM on environment
variables for predictive vegetation modelling.
Journal of Vegetation Science [online] 15, 747-
756. Disponível:
http://dx.doi.org/10.1111/j.16541103.2004.tb0
2317.x. Acesso: 27 fev. 2016.
Verhagem, P., Dragut, L., 2012. Object-based
landform delineation and classification from
DEMs for archaeological predictive mapping.
Journal of Archaeological Science [online] 39,
698-703. Disponível:
https://doi.org/10.1016/j.jas.2011.11.001.
Acesso: 28 dez. 2015.
Verstappen, H. T., Zuidam, R. A. V., 1975. ITC
System of geomorphological survey. Elsevier,
Amsterdam.
Verstappen, H. T., 1983. Applied Geomorphology:
geomorphological surveys for environmental
development. Elsevier, Amsterdam.
Weibel, R., Heller, M., 1991. Digital terrain
modelling, in: Maguire, D. J., Goodchild, M. F.,
Rhind, D.W. (Eds.), Geographical Information
Systems. Longman, London, pp. 269-297.
Weiss, A., 2001. Topographic Position and
Landforms Analysis – Poster presentation.
Disponível:http://www.jennessent.com/downlo
ads/tpi-poster-tnc_18x22.pdf. Acesso: 03 mar.
2015.
Wilson, J. P., Gallant, J. C. (Eds.), 2000. Terrain
Analysis: principles and applications. John
Wiley & Sons, New York.
Wilson, J. P., 2012. Digital terrain modelling.
Geomorphology [online] 137, 107-121.
Disponível:
https://doi.org/10.1016/j.geomorph.2011.03.01
2. Acesso: 23 fev. 2015.
Wise, S. M., 1998. The effect of GIS interpolation
errors on the use of digital elevation models in
geomorphology, in: Lane, S.N., Richards, K. S.,
Chandler, J. H. (Eds.), Landform Monitoring,
Modelling and Analysis. Wiley, New Jersey, pp.
139-164.
Wise, S. M., 2000. Assessing the quality for
hydrological applications of digital elevation
models derived from contours. Hydrological
Processes [online] 14 (11-12), 1909-1929.
Disponível: https://doi.org/10.1002/1099-
Revista Brasileira de Geografia Física v.10, n.2 (2017) 558-583.
Silva, J. M. F.; Oka-Fiori, C.; Silveira, C. T. 583
1085(20000815/30)14:11/12<1909:AID-
HYP45>3.0.CO,2-6. Acesso: 11 fev. 2016.
Wood, W. F., Snell, J.B., 1957. The dispersion of
geomorphic data around measures of central
tendency and its application. Research Study
Report EA-8. U.S. Army Quartermaster
Research and Development Center, Natick,
MA.
Wood, J., 2009. Overview of Software Packages
Used in Geomorphometry, in: Hengl, T.,
Reuter, H.I. (Eds.) Geomorphometry: Concepts,
Software, Applications. Elsevier, Amsterdam,
pp. 257-268. (Series Developments in Soil
Science, 33)
Young, A., 1972. Slopes. Oliver and Boyd,
Edinburgh.
Zandebergen, P. A., 2011. Error Propagation
Modeling for Terrain Analysis using Dynamic
Simulation Tools in ArcGIS Modelbuilder.
Geomorphometry [online], 57-60. Disponível:
http://www.geomorphometry.org/system/files/
Zandbergen2011geomorphometry.pdf. Acesso:
09 mai. 2015.
Zevenbergen, L. W., Thorne, C. R., 1987.
Quantitative Analysis of Land Surface
Topography. Earth Surface Processes and
Landforms [online] 12, 47-56. Disponível:
https://doi.org/10.1002/esp.3290120107.
Acesso: 02 mar. 2016.
Zhou, Q., Liu, X., 2004. Analysis of errors of
derived slope and aspect related to DEM data
properties. Computers & Geosciences [online]
30, 369-378. Disponível:
https://doi.org/10.1016/j.cageo.2003.07.005.
Acesso: 03 abr. 2015.
Zhou, Q., Lees, B., Tang, G., 2008. Advances in
Digital Terrain Analysis. Series: Lecture Notes
in Geoinformation and Cartography. Springer-
Verlag, Berlim.
Zwoliñski, Z., 2010. The routine of landform
geodiversity map design for the Polish
Carpathian Mts. Landform Analysis [online] 11,
77-85. Disponível:
http://geoinfo.amu.edu.pl/sgp/LA/LA11/LA11
_11.pdf. Acesso: 11 nov. 2015.